矩阵的迹和矩阵的特征值的关系:tr(A)=Σλ(A)
这篇博客将讨论矩阵的迹和矩阵的特征值的关系。
1、矩阵的迹
矩阵的迹(trace)通常定义为矩阵对角元的和。因此只有方阵才有迹。
t
r
(
A
)
=
∑
i
=
1
n
a
i
i
tr(A) = \sum_{i=1}^{n} a_{ii}
tr(A)=i=1∑naii
2、矩阵的特征值
把矩阵看成线性变换系统,输入信号经过线性系统波形不变,仅仅是幅度上乘以一个常数。
y = Ax = λx
求法:解特征方程式。
-
f(λ) = det(λE-A)=0,f(λ)称为特征多项式,是关于λ的一元n次多项式。
-
根据代数基本定理,f(λ)在复数域可以因式分解为: f ( λ ) = Π i = 1 n ( λ − λ i ) = a n λ n + a n − 1 λ n − 1 + ⋯ + a 1 λ + a 0 f(\lambda) = \Pi_{i=1}^{n}(\lambda - \lambda_i) = a_n\lambda^n+a_{n-1}\lambda^{n-1} + \cdots+a_1\lambda+a0 f(λ)=Πi=1n(λ−λi)=anλn+an−1λn−1+⋯+a1λ+a0
-
根据韦达定理:
- λ 1 + λ 2 + ⋯ + λ n = − a n − 1 a n \lambda_1+\lambda_2+\cdots+\lambda_n = -\frac{a_{n-1}}{a_n} λ1+λ2+⋯+λn=−anan−1
- λ 1 λ 2 ⋯ λ n = − a 0 a n \lambda_1\lambda_2\cdots\lambda_n = -\frac{a_{0}}{a_n} λ1λ2⋯λn=−ana0
-
关注det(λE-A) = λ n − ( a 11 + a 22 + ⋯ + a n n ) λ n − 1 + ⋯ + 常数项 \lambda^n-(a_{11}+a_{22}+\cdots+a_{nn})\lambda^{n-1}+\cdots+常数项 λn−(a11+a22+⋯+ann)λn−1+⋯+常数项
-
一对比,显然得 t r ( A ) = ∑ i = 1 n λ i tr(A)=\sum_{i=1}^{n}\lambda_i tr(A)=∑i=1nλi
-
det(λE-A) 展开之后,只有对角元相乘,才会包含 λ n \lambda^n λn和 λ n − 1 \lambda^{n-1} λn−1。
-
det(λE-A),令λ=0,则得到det(-A) = (-1)ndet(A) = a0=特征多项式的常数项
到目前为止,和一般教材上的内容都差不多。下面在多介绍一点儿韦达定理,这有利于理解上述结论是如何得出的。
3、韦达定理
- 一元二次方程:ax2+bx+c=0
- x1+x2 = -b/a;
- x1·x2 = c/a
- 一元n次方程:
a
n
x
n
+
a
n
−
1
x
n
−
1
+
⋯
+
a
1
x
+
a
0
=
a
n
(
x
−
x
1
)
(
x
−
x
2
)
⋯
(
x
−
x
n
)
a_nx^n+a_{n-1}x^{n-1} + \cdots+a_1x+a0 = a_n(x-x_1)(x-x2)\cdots(x-x_n)
anxn+an−1xn−1+⋯+a1x+a0=an(x−x1)(x−x2)⋯(x−xn)=0;
- 上式代数基本定理保证成立,xi是方程的根,属于复数域;
- 右端 = a n [ x n − ( x 1 + x 2 + ⋯ + x n ) x n − 1 ] − ( x 1 x 2 + x 1 x 3 + ⋯ + x n − 1 x n ) x n − 2 + ⋯ + ( − 1 ) n x 1 x 2 ⋯ x n ] 右端=\begin{aligned}a_n[&x^n-(x_1+x_2+\cdots+x_n)x^{n-1}]-\\&(x_1x_2+x_1x_3+\cdots+x_{n-1}x_n)x^{n-2}+\cdots+\\&(-1)^nx_1x_2\cdots x_n]\end{aligned} 右端=an[xn−(x1+x2+⋯+xn)xn−1]−(x1x2+x1x3+⋯+xn−1xn)xn−2+⋯+(−1)nx1x2⋯xn]
- 对比系数得:
- ∑ x i = ( − 1 ) 1 a n − 1 a n \sum x_i = (-1)^1 \frac{a_{n-1}}{a_n} ∑xi=(−1)1anan−1;
- ∑ x i x j = ( − 1 ) 2 a n − 2 a n \sum x_i x_j= (-1)^2 \frac{a_{n-2}}{a_n} ∑xixj=(−1)2anan−2;
- ∑ x i x j x k = ( − 1 ) 3 a n − 3 a n \sum x_i x_j x_k= (-1)^3 \frac{a_{n-3}}{a_n} ∑xixjxk=(−1)3anan−3;
- x 1 x 2 ⋯ x n = ( − 1 ) n a 0 a n x_1x_2\cdots x_n = (-1)^n\frac{a_0}{a_n} x1x2⋯xn=(−1)nana0.
- 3.1和3.4用的最多