合同矩阵充要条件

这篇具有很好参考价值的文章主要介绍了合同矩阵充要条件。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。

两个实对称矩阵合同的充要条件是它们的正负惯性指数相同。

正惯性指数是矩阵正特征值个数,负惯性指数是矩阵负特征值个数。

即合同矩阵的充分必要条件是特征值的正负号个数相同。

证明:

本论证中的所有矩阵先假设为对称矩阵,但不限于对称矩阵。

根据定义,若矩阵A和矩阵B满足
B = P T A P (1.1) B = P^T A P \tag{1.1} B=PTAP(1.1)
则称A与B合同。

根据对称矩阵的性质,可以得出:
A = Q T Λ Q (1.2) A = Q^T \Lambda Q \tag{1.2} A=QTΛQ(1.2)

其中, Λ \Lambda Λ既可以是普通的对角矩阵(即标准型),也可以是规范型(即对角元素的绝对值为1)。

将(1.1)带入(1.2)可得:

B = P T Q T Λ Q P = ( Q P ) T Λ ( Q P ) (1.3) B =P^T Q^T \Lambda Q P =(QP) ^T \Lambda (Q P)\tag{1.3} B=PTQTΛQP=(QP)TΛ(QP)(1.3)

假设 ( Q P ) = R (Q P)= R QP=R,则(1.3)可化为

B = ( R ) T Λ ( R ) (1.4) B =(R) ^T \Lambda (R)\tag{1.4} B=(R)TΛ(R)(1.4)

假若对角矩阵 Λ \Lambda Λ是标准型,则 Λ \Lambda Λ一定可以利用矩阵乘法化为规范型矩阵。

从(1.2)和(1.4)可以得出,若A和B满足合同条件(1.1),等价于合同矩阵有相同的特征值(规范型),结论得证。

注意:

  1. 在对称矩阵中,合同跟相似是等价的,两者能够相互推导。但是在非对称矩阵中,合同和相似是不同的。
  2. 赫尔韦兹定理证明,可以参考对角线主子式的定义,以及特征值之积等于矩阵的行列式,这两点来证明。从第一阶主子式开始,依次递增的推论出第二个、第三个…第n个特征值的正负号。
    矩阵合同,线性代数,线性代数
    还是要感谢万能的知乎。

关于赫尔韦兹定理的证明如下:https://zhuanlan.zhihu.com/p/652751194文章来源地址https://www.toymoban.com/news/detail-739511.html

到了这里,关于合同矩阵充要条件的文章就介绍完了。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

  • 【线性代数】齐次与非齐次线性方程组有解的条件

    A bm{A} A 是 m × n m times n m × n 矩阵,对其按列分块为 A = [ a 1 , a 2 , . . . , a n ] A = [bm{a}_1, bm{a}_2, ..., bm{a}_n] A = [ a 1 ​ , a 2 ​ , ... , a n ​ ] ,则齐次线性方程组 A X = 0 bm{AX} = bm{0} AX = 0 的向量表达式为: x 1 a 1 + x 2 a 2 + . . . + x n a n = 0 x_1bm{a}_1 + x_2bm{a}_2 + ... + x_nbm{a}_n = b

    2024年02月08日
    浏览(44)
  • 强对偶成立的条件:从线性代数到函数分析

    强对偶(Strong Duality)是一个在优化问题中非常重要的概念,它表示原始优化问题和其对偶(Dual)问题的最优值之间的关系。在许多实际应用中,强对偶成立的条件是非常有用的,因为它可以帮助我们更有效地解决问题。在这篇文章中,我们将讨论强对偶成立的条件,从线性代数到

    2024年02月21日
    浏览(42)
  • 线性代数:线性方程求解、矩阵的逆、线性组合、线性独立

    本文参考www.deeplearningbook.org一书第二章2.3 Identity and Inverse Matrices 2.4 Linear Dependence and Span 本文围绕 线性方程求解 依次介绍矩阵的逆、线性组合、线性独立等线性代数的基础知识点。 本文主要围绕求解线性方程展开,我们先把线性方程写出来,方程如下: 其中,是已知的;,

    2024年02月08日
    浏览(50)
  • 线性代数本质系列(一)向量,线性组合,线性相关,矩阵

    本系列文章将从下面不同角度解析线性代数的本质,本文是本系列第一篇 向量究竟是什么? 向量的线性组合,基与线性相关 矩阵与线性相关 矩阵乘法与线性变换 三维空间中的线性变换 行列式 逆矩阵,列空间,秩与零空间 克莱姆法则 非方阵 点积与对偶性 叉积 以线性变换

    2024年02月04日
    浏览(50)
  • 0203逆矩阵-矩阵及其运算-线性代数

    定义7 对于 n n n 阶矩阵A,如果有一个 n n n 阶矩阵B,使 A B = B A = E AB=BA=E A B = B A = E 则说矩阵A是可逆的,并把矩阵B称为A的逆矩阵,简称逆阵。 定理1 若矩阵A可逆,则 ∣ A ∣ ≠ 0 vert Avert not = 0 ∣ A ∣  = 0 证明: A 可逆,即有 A − 1 ,使得 A A − 1 = E ∣ A A − 1 ∣ = ∣ A

    2024年04月13日
    浏览(56)
  • 高等代数(七)-线性变换03:线性变换的矩阵

    § 3 § 3 §3 线性变换的矩阵 设 V V V 是数域 P P P 上 n n n 维线性空间, ε 1 , ε 2 , ⋯   , ε n varepsilon_{1}, varepsilon_{2}, cdots, varepsilon_{n} ε 1 ​ , ε 2 ​ , ⋯ , ε n ​ 是 V V V 的一组基, 现在我们来建立线性变换与矩阵的关系. 空间 V V V 中任一向量 ξ xi ξ 可以经 ε 1 , ε 2 , ⋯  

    2024年02月20日
    浏览(51)
  • 【理解线性代数】(四)线性运算的推广与矩阵基础

    工业生产的发展趋势总是从单件生产到批量生产。科学技术研究也是一样,总是从简单计算到复合运算、批量运算。批量意味着生产能力、处理能力的提升。计算机从16位发展到64位,从单核发展到多核;计算机从CPU处理数据发展到GPU处理数据;大数据、人工智能领域的大模型

    2024年02月09日
    浏览(50)
  • 线性代数|证明:线性变换在两个基下的矩阵相似

    前置定义 1(基变换公式、过渡矩阵) 设 α 1 , ⋯   , α n boldsymbol{alpha}_1,cdots,boldsymbol{alpha}_n α 1 ​ , ⋯ , α n ​ 及 β 1 , ⋯   , β n boldsymbol{beta}_1,cdots,boldsymbol{beta}_n β 1 ​ , ⋯ , β n ​ 是线性空间 V n V_n V n ​ 中的两个基, { β 1 = p 11 α 1 + p 21 α 2 + ⋯ + p n 1 α n β 2

    2024年02月03日
    浏览(50)
  • 线性代数(4):伴随矩阵、逆矩阵和矩阵的秩

             A 为一个n阶矩阵,行列式 | A | 的每个元素a ij 的代数余子式Aij组成的矩阵叫做伴随矩阵,记作 A* ;         a.  如果 A 矩阵可逆,A* = | A | A^-1         b.  | A | = | A |^(n-1)         c.  ( kA )* = k^(n-1) A*         a.  若矩阵的行列式结果值不等于 0 ,那么这个矩阵就是

    2024年02月08日
    浏览(60)
  • 【线性代数与矩阵论】Jordan型矩阵

    2023年11月3日 #algebra 在对向量做线性变换时,向量空间的某个向量的方向不发生改变,而只是在其方向上进行拉伸,则该向量是线性变换的特征向量,其在变换中被拉伸的倍数为该特征向量的特征值(特征根)。 矩阵的相同特征值有其对应的代数重数与几何重数,相同特征值

    2024年02月04日
    浏览(48)

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