线性代数第一课线性方程式系统.pptVIP

第七章特徵值與特徵向量 7.1 特徵值與特徵向量 7.2 對角化 7.3 對稱矩陣與正交對角化 7.1 特徵值與特徵向量 特徵值問題 (eigenvalue problem) 範例 1： 證明特徵值與特徵向量 定理 7.1： 特徵空間 (eigenspace) 範例 3：平面中的特徵空間 求下列矩陣的特徵值及所對應的特徵空間 位於y軸的向量 定理 7.2：求矩陣A?Mn?n的特徵值與特徵向量 範例 4：求特徵值與特徵向量 範例 5： 求特徵值、特徵向量與每個特徵值所對應特徵空間的維度 注意： 範例 6： 求A之特徵值與其對應特徵空間的一組基底 定理 7.3：三角矩陣的特徵值 線性轉換的特徵值與特徵向量 摘要與復習 (7.1節之關鍵詞) eigenvalue problem: 特徵值問題 eigenvalue: 特徵值 eigenvector: 特徵向量 characteristic polynomial: 特徵多項式 characteristic equation: 特徵方程式 eigenspace: 特徵空間 multiplicity: 重數 7.2 對角化 對角化問題 (diagonalization problem) 定理 7.4：相似矩陣具有相同的特徵值 範例 1：可對角化矩陣 定理 7.5：可對角化的條件 範例 2：不可對角化 n?n方陣對角化步驟 範例 5：矩陣對角化 定理 7.6：可對角化的充份條件 範例 8：求線性轉換的對角矩陣 摘要與復習 (7.2節之關鍵詞) diagonalization problem: 對角化問題 diagonalization: 對角化 diagonalizable matrix: 可對角化矩陣 7.3 對稱矩陣與正交對角化 對稱矩陣 (symmetric matrix) 對稱矩陣的特徵值 範例 2：證明對稱矩陣為可對角化 正交矩陣 (orthogonal matrix) 範例 5： 證明P為正交矩陣 定理 7.10： 對稱矩陣的基本定理 範例 7：可正交對角化 範例 9： 正交對角化 Gram-Schmidt 過程 摘要與復習 (7.3節之關鍵詞) symmetric matrix: 對稱矩陣 orthogonal matrix: 正交矩陣 orthonormal set: 單範正交集 orthogonal diagonalization: 正交對角化 解：特徵方程式： 注意： 若n?n矩陣A有n個不同的特徵值，則對應的特徵向量為線性獨立且A為可對角化矩陣 範例 7：判斷A是否可對角化 解：因為A為三角矩陣，其特徵值為 因為三個特徵值均不同 故A為可對角化矩陣 解： 方陣A若相等於自己的轉置矩陣，則稱A為對稱矩陣 範例 1：對稱矩陣 若A為一n?n的對稱矩陣，則以下的性質為真 (1) A可對角化 (2) A的所有特徵值均為實數 (3) 若A的特徵值?具有重數k，則?具有k個線性獨立 的特徵向量。亦即?的特徵空間的維度為k 證明：特徵方程式： 一方陣P為正交若P為可逆且 定理 7.8： 正交矩陣的性質 一n?n矩陣P為正交若且唯若它的行向量可形成一單 範正交集 定理 7.9： 對稱矩陣的性質 令A為一n?n的對稱矩陣。若?1及?2為A的不同特徵值， 則其相對的特徵向量x1與x2為正交 解：若P為正交矩陣，則 令A為一n?n的矩陣，則A為正交可對角化矩陣且具有實數的特徵值若且唯若 A為對稱矩陣 對稱矩陣的正交對角化 (orthogonal diagonalization) 令A為一n?n的矩陣。 (1)找出A的特徵值並找出每個特徵值的重數 (2)對於每個重數為1的特徵值，選出一個單位特徵向量 (3)對於每個重數為k?2的特徵值，找出一組有k個線性獨立的特徵向量集。若這個向量集並非單範正交，利用Gram-Schmidt單範正交過程將之單範正交化 (4)由(2)與(3)的結果產生一組有n個特徵向量的單範正交集。利用這些特徵向量來做為矩陣P的行向量 可正交對角化 對稱矩陣 解： 線性獨立 * * 若A為一n?n矩陣，在Rn中是否存在著非零向量x，使得Ax與x之間存在著倍數關係？ 特徵值(eigenvalue)與特徵向量(eigenvector) A：n?n 矩陣 ?：純量 x： Rn中的非零向量 特徵值 特徵向量 幾何表示 特徵值 特徵值 特徵向量 特徵向量 若A為一n?n矩陣，且?為 A的一個特徵值，則 對應於?的所有特徵向量與零向量可構成一個 Rn的子空間，稱為特徵空間 證明： x1與x2為特徵值?所對應的特徵向量 假設 位於x軸的向量 特徵值為 解： 特徵值為 就