0.1 正交矩阵
- 简述:我的转置是我的逆,那我就是正交矩阵
- 定义:
orthogonal_matrix ( A ) : = ( A ∈ R n × n and A T A = I n ) \text{orthogonal\_matrix}(A):=\left(A\in \R^{n\times n}\;\text{and}\;A^TA=I_n\right) orthogonal_matrix(A):=(A∈Rn×nandATA=In)
0.2 对角矩阵
- 简述:如果一个矩阵只有对角线上可以有非零元素,除此之外其他位置元素均为零,那么这个矩阵是对角矩阵
- 定义:
diagonal_matrix ( A ) : = A ∈ R n × n and ∀ i ∈ { 1 , ⋯ , n } ∀ j ∈ { 1 , ⋯ , n } ( A i j ≠ 0 ⇒ i = j ) \begin{aligned} &\text{diagonal\_matrix}(A):=A\in \R^{n\times n}\\ &\text{and} \; \forall i \in \{1, \cdots, n\}\;\forall j\in\{1,\cdots,n\}(A_{ij} \neq 0 \Rightarrow i=j) \end{aligned} diagonal_matrix(A):=A∈Rn×nand∀i∈{1,⋯,n}∀j∈{1,⋯,n}(Aij=0⇒i=j)
- 表示:
diag ( λ 1 , ⋯ , λ n ) : = A where A ∈ R n × n and ( ∀ i ∈ { 1 , ⋯ , n } A i i = λ i ) and diagonal_matrix ( A ) \begin{aligned} &\text{diag}(\lambda_1, \cdots, \lambda_n):=A\;\\ &\text{where}\;A\in \R^{n\times n}\;\text{and}\;(\forall i\in\{1, \cdots, n\}\;A_{ii}=\lambda_i) \;\text{and}\;\text{diagonal\_matrix}(A) \end{aligned} diag(λ1,⋯,λn):=AwhereA∈Rn×nand(∀i∈{1,⋯,n}Aii=λi)anddiagonal_matrix(A)
0.3 实对称矩阵
- 简述:我的转置是我自己,那我就是对称矩阵
- 定义:
symmetric_matrix ( A ) : = ( A ∈ R n × n and A T = A ) \text{symmetric\_matrix}(A):=\left(A\in \R^{n\times n} \; \text{and}\; A^T=A\right) symmetric_matrix(A):=(A∈Rn×nandAT=A)
0.4 二次型
- 描述: x = ( x 1 , ⋯ , x n ) T x=(x_1,\cdots,x_n)^T x=(x1,⋯,xn)T 是一个变量构成的向量, A A A 是一个方阵,则向量函数 f ( x ) = x T A x f(x)=x^TAx f(x)=xTAx 称为与 A A A 对应的二次型函数
- 定义:
quadratic_form A : = f where f : R n ↦ R , f ( x ) = x T A x \begin{aligned} &\text{quadratic\_form}_A:=f\\ &\text{where}\; f:\R^n\mapsto \R, \; f(x)=x^TAx\\ \end{aligned} quadratic_formA:=fwheref:Rn↦R,f(x)=xTAx
0.5 矩阵相似
- 定义:
A ∼ B : = ∃ P orthogonal_matrix ( P ) and A = P T B P A\sim B:=\exist P\;\text{orthogonal\_matrix}(P)\text{\;and\;}A=P^TBP A∼B:=∃Porthogonal_matrix(P)andA=PTBP
0.6 特征值
- 描述:一个矩阵在某些方向上做乘法的作用被简化为线性的缩放,缩放系数就是特征值
- 定义:
eigenvalue_set ( A ) : = { λ ∣ ∃ x ∈ R n ( x ≠ 0 and A x = λ x ) } \text{eigenvalue\_set}(A):=\{\lambda\;|\;\exist x\in R^n\;(x\neq0\text{\;and\;}Ax=\lambda x)\} eigenvalue_set(A):={λ∣∃x∈Rn(x=0andAx=λx)}
- 补充:最大特征值又被称为谱半径
1.1 谱定理
- 简述:任意实对称矩阵一定可以相似对角化,对角阵元素为该矩阵特征值
- 内容:
∀ A symmetric_matrix ( A ) ⇒ ∃ Λ ∃ P ( diagonal_matrix ( Λ ) and orthogonal_matrix ( P ) and A ∼ Λ and { Λ i i ∣ i ∈ { 1 , ⋯ , n } } = eigenvalue_set ( A ) ) \begin{aligned} &\forall A\;\text{symmetric\_matrix}(A)\Rightarrow \\ &\exist \Lambda\;\exist P\;(\text{diagonal\_matrix}(\Lambda) \text{\;and\;}\text{orthogonal\_matrix}(P)\text{\;and\;}A\sim \Lambda \text{\;and\;}\\ &\;\;\;\;\;\;\;\;\;\;\;\;\{\Lambda_{ii}\;|\;i\in\{1, \cdots, n\}\}=\text{eigenvalue\_set}(A)) \end{aligned} ∀Asymmetric_matrix(A)⇒∃Λ∃P(diagonal_matrix(Λ)andorthogonal_matrix(P)andA∼Λand{Λii∣i∈{1,⋯,n}}=eigenvalue_set(A))
- 证明:待补充
1.2 谱半径定理
- 简述:实对称矩阵的最大特征值等于其二次型在单位向量空间上的最大值
- 内容:
symmetric_matrix ( A ) ⇒ max eigenvalue_set ( A ) = max x ∈ R n , ∥ x ∥ = 1 { quadratic_form A ( x ) } \text{symmetric\_matrix}(A) \Rightarrow \text{max}\;\text{eigenvalue\_set}(A)=\max_{x\in\R^n,\|x\|=1}\{\text{quadratic\_form}_A(x)\} symmetric_matrix(A)⇒maxeigenvalue_set(A)=x∈Rn,∥x∥=1max{quadratic_formA(x)}
- 思路:对 A A A 做相似对角化
- 证明:待补充