Symmetriske og ortogonale matricer Uge 6 Preben Alsholm Efterår 2010 1 1.1 Symmetriske og ortogonale matricer Skalarprodukt og Cauchy-Schwarz’ ulighed Skalarprodukt og Cauchy-Schwarz’ ulighed Det sædvanlige skalarprodukt mellem vektorerne x, y 2 Rn er givet ved h x, yi = x y = x1 y1 + x2 y2 + + xn yn Når x og y opfattes som søjlevektorer har vi h x, yi = x T y = y T x. q p Den euklidiske norm af vektoren x er k x k = k x k2 = h x, x i = x12 + x22 + Der gælder: h x, yi = hy, x i , s h x, yi, når s 2 R. h x + z, yi = h x, yi + hz, yi , Cauchy-Schwarz’ ulighed: jh x, yij hsx, yi = k x k k y k. Bevis. k x + syk2 = hsx + y, sx + yi = s2 h x, x i + 2s h x, yi + hy, yi = s2 k x k2 + 2s h x, yi + kyk2 . Dette polynomium i s er åbenbart ikke-negativ for alle s 2 R. Diskriminanten er derfor ikke-positiv: 4 h x, yi2 uligheden. 1.2 4 k x k2 k y k2 0. Heraf Ortogonalsystem lineært uafhængigt Ortogonalsystem lineært uafhængigt Sætning 8.15. Hvis v1 , v2 , . . . , v p er indbyrdes ortogonale egentlige vektorer i Rn , så er de lineært uafhængige. Bevis. Antag c1 v1 + c2 v2 + 0 = + c p v p = 0. Så fås for ethvert j: c1 v1 + c2 v2 + + c p v p, vj = c1 v1 , v j + c2 v2 , v j + = cj vj, vj = cj vj Men v j 2 + c p v p, vj 2 > 0, så c j = 0. Dette gælder for alle j = 1, . . . , p. 1 + xn2 . 1.3 Gram-Schmidt’s ortogonaliseringsmetode Gram-Schmidt’s ortogonaliseringsmetode Lad u1 , u2 , . . . , u p være lineært uafhængige vektorer i Rn . Vi bestemmer p ortogonale enhedsvektorer v1 , v2 , . . . , v p så span v1 , v2 , . . . , v p = span u1 , u2 , . . . , u p . Sæt v1 = u1 . k u1 k Sæt w2 = u2 Så har vi span(v1 ) = span(u1 ). hu2 , v1 i v1 og dernæst v2 = w2 . k w2 k Så har vi span(v1 , v2 ) = span(u1 , u2 ) og hv2 , v1 i = 0. Sæt w3 = u3 h u3 , v1 i v1 hu3 , v2 i v2 og dernæst v3 = w3 . k w3 k Så har vi span(v1 , v2 , v3 ) = span(u1 , u2 , u3 ) og hv3 , v1 i = hv3 , v2 i = 0. Fortsæt således. Eksempel 1 i Maple-worksheet. 1.4 Ortogonale matricer Ortogonale matricer En kvadratisk matrix Q kaldes ortogonal, hvis Q T Q = I. Udsagnet Q T Q = I udtrykker, at søjlerne i Q er indbyrdes ortogonale enhedsvektorer. En matrix Q er ortogonal, hvis og kun hvis den er regulær med invers Q 1 = QT . Produktet af to ortogonale matricer Q1 og Q2 er en ortogonal matrix. Bevis. ( Q1 Q2 ) T Q1 Q2 = Q2T Q1T Q1 Q2 = Q2T IQ2 = Q2T Q2 = I. En ortogonal matrix Q opfylder også QQ T = I. Bevis. Følger af at Q T = Q 1 og QQ 1 = I. Rækkerne i en ortogonal matrix er altså også indbyrdes ortogonale enhedsvektorer! 1.5 Egenværdier for symmetriske matricer I Egenværdier for symmetriske matricer I En kvadratisk matrix A = aij kaldes symmetrisk, hvis aij = a ji for alle i og j. Altså hvis A T = A. Lad A være en reel og symmetrisk n terpolynomiet reelle. 2 n-matrix. Så er rødderne i karak- Bevis. Lad λ 2 C være rod i karakterpolynomiet og lad v 2 Cn opfylde Av = λv og v 6= 0. Lad v = [ x1 , x2 , . . . , xn ] T og v = [ x1 , x2 , . . . , xn ] T (kompleks konjugation). Så fås v T Av = v T λv = λv T v = λ ( x1 x1 + x2 x2 + 2 2 = λ j x1 j + j x2 j + + j xn j + xn xn ) 2 Venstre side er reel, da v T Av = v T Av = ( Av) T v = v T Av + j xn j2 reel. Da j x1 j2 + j x2 j2 + Derfor er også λ j x1 j2 + j x2 j2 + 2 j xn j er reel og positiv, er λ reel. 1.6 + Egenværdier for symmetriske matricer II Egenværdier for symmetriske matricer II Egenvektorer hørende til forskellige egenværdier for en reel symmetrisk matrix er ortogonale. Bevis. Hvis Av1 = λ1 v1 og Av2 = λ2 v2 , så fås λ2 h v2 , v1 i Altså (λ2 1.7 = λ2 v2T v1 = ( Av2 )T v1 = v2T Av1 = λ1 v2T v1 = λ1 hv2 , v1 i λ1 ) hv2 , v1 i = 0. Men λ2 λ1 6= 0, så hv2 , v1 i = 0. Spektralsætningen for symmetriske matricer Spektralsætningen for symmetriske matricer Lad A være en reel og symmetrisk n n-matrix. Så findes der en ortonormal basis for Rn bestående af egenvektorer for A. A kan dermed diagonaliseres vha. en ortogonal matrix Q, altså Q T AQ = Λ = diag (λ1 , λ2 , . . . , λn ) Bevis. I det tilfælde, at alle egenværdier er forskellige, følger resultatet af de foregående resultater. Det generelle tilfælde, hvor den algebraiske multiplicitet af en egenværdi λ kan være større end 1, behandles i beviset for Sætning 8.33. Vi springer det over. Navnet spektralsætningen kommer fra betegnelsen spektrum for mængden af egenværdier. 3 1.8 Positiv definit matrix Positiv definit matrix En kvadratisk matrix A kaldes positiv definit, hvis x T Ax > 0 for alle vektorer x 6= 0. Lad A være en reel og symmetrisk n n-matrix. Så er A positiv definit hvis og kun hvis alle egenværdier er positive. Bevis. Lad Q være en diagonaliserende ortogonal matrix. Så gælder Q T AQ = Λ = diag (λ1 , λ2 , . . . , λn ) og QΛQ T = A. Så med w = Q T u fås u T Au = u T QΛQ T u = w T Λw = λ1 w12 + λ2 w22 + + λn w2n . Hvis alle egenværdierne er positive, er dette positivt, når u 6= 0, idet da også w 6= 0. Hvis omvendt λ1 w12 + λ2 w22 + + λn w2n > 0 for alle u 6= 0 (altså dermed for alle w 6= 0) må alle egenværdier være positive. 1.9 Kvadratisk form I Kvadratisk form I Et udtryk af formen n K ( x1 , x2 , . . . , x n ) = j ∑ ∑ kij xi x j j =1 i =1 hvor x = ( x1 , x2 , . . . , xn ) 2 Rn , kaldes en kvadratisk form. Navnet indikerer, at hvert led har total grad 2. Udtrykket er et homogent polynomium i x1 , x2 , . . . , xn af grad 2. Eksempel 2. K ( x1 , x2 ) = 3x12 + 4x1 x2 + 7x22 . Eksempel 3. K ( x1 , x2 , x3 ) = 4x12 2x1 x2 + 6x2 x3 + 8x22 + 11x32 . Eksempel 4. K ( x1 , x2 , x3 , x4 ) = 4x12 1.10 2x1 x2 + 6x2 x3 + 8x22 + 11x32 8x4 x1 Kvadratisk form II Kvadratisk form II En kvadratisk form K ( x1 , x2 , . . . , xn ) = K ( x ) kan skrives entydigt på formen K ( x ) = x T Ax hvor A er en symmetrisk n n-matrix. A er givet ved A = aij hvor aii = k ii og aij = a ji = 12 k ij for i < j. 4 2 4 3 2 Eksempel 2: A = . Eksempel 3: A = 4 1 2 7 0 2 3 4 1 0 4 6 1 8 3 0 7 7. sempel 4: A = 6 4 0 3 11 0 5 4 0 0 0 1.11 1 8 3 3 0 3 5. Ek11 Kvadratisk form III Kvadratisk form III En kvadratisk form K ( x1 , x2 , . . . , xn ) = K ( x ) kan vha. en ortogonal substitution x = Qy skrives på formen e (y) = λ1 y2 + λ2 y22 + K (x) = K 1 + λn y2n Bevis. Lad A være symmetrisk og K ( x ) = x T Ax. Lad Q være en diagonaliserende ortogonal matrix: Q T AQ = Λ = diag (λ1 , λ2 , . . . , λn ). Så fås, når x = Qy at = x T Ax = ( Qy)T AQy = y T Q T AQy K (x) = y T Λy = λ1 y21 + λ2 y22 + Eksempel 2: A = 3 2 2 7 . Egenværdier 5 + λn y2n p 2 2. Positiv definit. Lettere at finde sporet og determinanten: det A = 17 og spor A = 10, så begge egenværdier er positive. 1.12 Kvadratisk form IV Kvadratisk form IV 2 4 Eksempel 3: A = 4 1 0 Positiv definit. 1 8 3 3 0 3 5. Egenværdier ca. 3.68, 6.44, 12, 89. 11 Determinanten findes til konklusion. 2 4 6 1 Eksempel 4: A = 6 4 0 4 Indefinit. 305 og sporet er 23, men dette er ikke nok til en Determinanten findes til værdier: A er indefinit. 1264, så der er både negative og positive egen- 1 8 3 0 0 3 11 0 5 3 4 0 7 7. Egenværdier ca. 0 5 0 2.50, 5.57, 7.04, 12.89.
© Copyright 2024