EE ngineering Mathematics I ngineering Mathematics I
Prof. Dr. Yong-Su Na g
(32-206, ysna@snu.ac.kr, Tel. 880-7204)
Text book: Erwin Kreyszig, Advanced Engineering Mathematics, 9th Edition, Wiley (2006)
Ch. 8 Linear Algebra: Matrix
Ch. 8 Linear Algebra: Matrix EigenvalueEigenvalue Ch. 8 Linear Algebra: Matrix
Ch. 8 Linear Algebra: Matrix EigenvalueEigenvalue Problems
Problems
8.1 Eigenvalues, Eigenvectors
8.2 Some Applications of Eigenvalue Problems
8.3 Symmetric, Skew-Symmetric, and Orthogonal Matrices 8.4 Eigenbases. Diagonalization. Quadratic Formsg g Q
8.5 Complex Matrices and Forms
2
Ch. 8 Linear Algebra: Matrix
Ch. 8 Linear Algebra: Matrix EigenvalueEigenvalue Problems
Problems ((선형대수학선형대수학: : 행렬의행렬의 고유값고유값 문제문제))
z 내용 : 고유값 문제, 여러 가지 행렬, 대각화를 통한 문제 해결법
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
z Eigenvalues, Eigenvector
를 스칼라 존재하면
가 벡터 이닌
이 인 만약
때, 행렬일
가
Ax x 0 xA n
× n =
λ λ. r(
Eigenvecto Eigenvalue
한다 라
의 대응하는
에 벡터는 모든
아닌 이
인 고유값이면,
의 가
한다.
라 (
의
고유벡터) 고유값)
A
0 x Ax
A A
λ
λ
λ
=
z 고유값과 고유벡터를 구하는 방법
( )
( )
( )인 자명하지( 않는) (특성방정식해를 가질 필요충분조건)의해인 가 의 고유값계수행렬식
제차선형연립방정식
A I
A 0
x
0 x I - A x
Ax
λ λ
λ λ
0 d
0
:
=
⇒
≠
⇒
=
⇒
=
λ D
( )λ :Characteristicdeterminant
D
( ) ( ) (특성방정식)의해인 가 의 고유값
⇒ D λ =det A−λI =0 λ A
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
E 1 Ill st ate all the steps in te ms of the mat i Ex. 1 Illustrate all the steps in terms of the matrix
⎥⎦
⎢ ⎤
⎣
= ⎡−
2 2
2 A 5
Step 1 Eigenvalues
⎦
⎣ 2 − 2
2 2
2 5
2 1 2
Ax 1
x
Ax x
x x
x ⎥
⎦
⎢ ⎤
⎣
= ⎡
⎥⎦
⎢ ⎤
⎣
⎥⎡
⎦
⎢ ⎤
⎣
⎡
−
= −
⇒
= λ λ
( )( 2 ) 0
2
0 2
5
2
2
2 5
2 1
2 1
2 2
1
1 2
1
x x
x x
-λ - x
x x
x x
x -
=
−
− +
=
⇒ +
=
−
=
⇒ +
λ λ
λ
( ) ( ) ( 5 )( 2 ) 4 7 6 0
2 2
2
det A I 5 2
D = − − − − − = + + =
−
−
−
= −
−
= λ λ λ λ
λ λ λ
λ
( )
6 1
⇒ λ= − , λ = - A의 고유값
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
Step 2 Eigenvectors
− 1
λ=
( )-5-λ x1 + x2 2 = 0
− 4
x1+ 2
x2= 0
⎤ 고유벡터는 ⎡1
1 =1 x
( 2 ) 0
2x1 + − −λ x2 =
2
x1− x
2= 0
⎥⎦
⎢ ⎤
⎣
= ⎡ x 2 고유벡터는
1 1
2
2x
x
=
− 6
λ=
( )(
2
)0
2
0 2
5
2 1
2 1
=
−
− +
= +
x x
x x
-λ -
λ
2 4 0
0 2
2 1
2 1
= +
= +
x x
x x
⎥ ⎦
⎢ ⎤
⎣
⎡
= − 1
x2
고유벡터는
1
= 2
x1
2
2
x
= −
x8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
z Eigenvalues z Eigenvalues
가진다 고유값을
다른 서로
개의 많아야
이상 하나
적어도 행렬은
따라서
근이다.
특성방정식의 의
고유값들은 의
정방행렬 A A
z Eigenvectors, Eigenspace
가진다.
고유값을 다른
서로 개의
많아야 이상,
하나 적어도
행렬은
따라서 n×n n
( )
벡터 해당되는
고유값에 같은
된다.따라서 고유벡터가
도 대하여
에 임의의
와
단 경우,
고유벡터인 대응하는
에 고유값 같은
의 행렬 가
와 만일
0
λ x
w x x w A
x w
k k ≠
≠ +
( )이라한다.
해당되는 에
고유값 이것을
이루며, 벡터공간을
하나의 함께
벡터와 들은
Eigenspace
λ 고유공간 0
z Eigenvalues of the Transpose
(Eigenspace)이라한다.
갖는다.
고유값을 같은
와 행렬 는 전치
의
정방행렬 A AT A
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎤
⎢⎡−2 2 −3 Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣− −
−
=
0 2 1
6 1
A 2
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎤
⎢⎡−2 2 −3 Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣− −
−
=
0 2 1
6 1
A 2
Characteristic equation: −λ3 −λ2 +21λ + 45= 0 Eigenvalues: λ = 5, λ = −3(이중근)
= 5에 대한 특성행렬 λ
⎤
⎡−7 2 −3 ⎡1⎤
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
−
−
=
−
5 2
1
6 4
2
3 2
7 5I
A
행을 간략화
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
−
−
0 0
0
7 48 7
0 24
3 2
7 x3 = −1
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
1 2 1 - 고유벡터는
⎥⎦
⎢⎣−1 −2 −5
−
= 3에 대한 특성행렬
λ ⎡1 2 3⎤
0
, 1 3
2 = x =
x
⎥⎥
⎥⎤
⎢⎢
⎢⎡−
1 2 고유벡터는
⎥⎥
⎥⎤
⎢⎢
⎢⎡
−
−
=
+ 2 4 6
3 2
1 3I
A
행을 간략화
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡ −
0 0 0
0 0 0
3 2
1 ⎢⎣ 0 ⎥⎦
⎥⎥
⎤
⎢⎢
⎡ 0 3 고유벡터는
⎥⎥
⎢ ⎦
⎢
⎣−1 − 2 3
⎥⎥
⎢ ⎦
⎢
⎣1 고유벡터는 0 1
, 0 3
2 = x =
x
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
z Algebraic Multiplicity (대수적 다중도):
z Algebraic Multiplicity (대수적 다중도):
Characteristic polynomial(특성다항식)의 근으로서 고유값의 차수 z Geometric Multiplicity (기하적 다중도):p y
고유값에 대응하는 일차독립인 고유벡터의 수 z Defect (부족지수):
대수적 다중도와 기하적 다중도의 차
Ex. 3 ⎥⎤
⎢⎡
⎥⎤
⎢⎡
= 0 1 3 2
Ex. 3 A ⎥
⎢ ⎦
⎥ ⎣
⎢ ⎦
= ⎣
3 0
0 , A 0
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
z Algebraic Multiplicity (대수적 다중도):
z Algebraic Multiplicity (대수적 다중도):
Characteristic polynomial(특성다항식)의 근으로서 고유값의 차수 z Geometric Multiplicity (기하적 다중도):p y
고유값에 대응하는 일차독립인 고유벡터의 수 z Defect (부족지수):
대수적 다중도와 기하적 다중도의 차
Ex. 3 ⎥⎤
⎢⎡
⎥⎤
⎢⎡
= 0 1 3 2
Ex. 3 A ⎥
⎢ ⎦
⎥ ⎣
⎢ ⎦
= ⎣
3 0
0 , A 0
(
이중근
)고유벡터 :
: 고유값 :
특성방정식 ⎥ ⎤
⎢ ⎡
⇒
=
⇒
=
= 1
3 0 0
) - (3
0
22 λ λ
λ ( )
1 : 다중도 기하적
2 : 다중도 대수적
: 고유벡터 이중근
: 고유값 :
특성방정식 ⎥
⎢ ⎦
⇒ ⎣
=
⇒
=
= 0 , (3 -
λ) 0
λ0 , 3 0
λ
1 : 부족지수
1
:
다중도
기하적
8
8.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 8
8 ge a uesge a ues, ge ec o s, ge ec o s
((고유값고유값, , 고유벡터고유벡터))
PROBLEM SET 8.1
HW 24 HW: 24
8
8.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue 8
8 So e pp ca o s oSo e pp ca o s o ge a uege a ue Problems
Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
Ex 1 Stretching of an Elastic Membrane (탄성막의 팽창) Ex. 1 Stretching of an Elastic Membrane (탄성막의 팽창)
( , )
1
원 12 22 을갖는 1 2평면상에있는 탄성막을 잡아당겨점 1 2 가
경계로서 x + x = x x P x x
( ) (P i il Di i )
5 3
3 5
5 3
3 5
2 1
2
2 1
1 2
1 2
1
의 위치벡터 의
즉 경우
이 한다 가도록
로 점
표현된 로
성분식으로 Ax 또는
y
Q Q
x x
y
x x
y x
x y
y
주방향 +
=
+
⎥ =
⎦
⎢ ⎤
⎣
⎥⎡
⎦
⎢ ⎤
⎣
= ⎡
⎥ =
⎦
⎢ ⎤
⎣
= ⎡
( ) ( )
, Directions Princilpe
. ,
1 2
방향을 의
위치벡터 되는
방향이 정반대
또는 방향
같은 방향과
의 위치벡터 의
방향이
의 위치벡터 의
즉 경우
이 한다 가도록
로 점
표현된 로
x x
y P
Q x
x
Q 주방향
.
. 이런변형하에서 경계원은 어떤 꼴을 취하는지살펴보라 구하라
( ) = ⇒ = =
− =
2 8
: 0
9 3 5
:5 2 고유값
특성방정식 λ ( λ) λ λ
⎥⎤
⎢⎡
=
⎥ =
⎢ ⎤
= ⎡
=
=
=
⇒
=
−
−
− =
2 1 8 1
2 8,
:
0 9 5 5
: 3
x
x 일때고유벡터는
고유벡터는 때
일
고유값 특성방정식
λ λ
λ λ
λ λ
⎥⎦
⎢⎣−
⎥⎦
⎢⎣ , 2 , 1 , 1
8일때 고유벡터는x λ 일때고유벡터는x λ
8
8.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue 8
8 So e pp ca o s oSo e pp ca o s o ge a uege a ue Problems
Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
2 8
) (
135 45
:
1
팽창 만큼
과 각각 주방향으로
방향 고유벡터의
방향 이루는
각을 의 와
방향과 축
양의 주방향
∗
x D D
) (
2 1
8
sin 2
, cos 8
:
2 2 2 2
2 1
2 1
타원 좌표계 새로운
= +
∴
=
=
⇒
z z
z
z φ φ
2 8
8
8.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue 8
8 So e pp ca o s oSo e pp ca o s o ge a uege a ue Problems
Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
E 2 Ei l P bl A i i f M k P
Ex. 2 Eigenvalue Problems Arising from Markov Processes
, Markov
는 행렬 확률 따라서 된다
문제가 고유값
경우의 다룰
문제를 극한상태
같은 와 즉
되는 값이 자신의 때
곱해질 와
확률행렬 결정짓는
공정을 가
상태벡터 과정에서
A A
A x
.
, 1
.
,
되는 갖게 관심을 문제의
이러한 된다
고유벡터가 해당되는
이에 는 되며 갖게 을 고유값
는 행렬 확률 따라서 된다
문제가 고유값
경우의 다룰
문제를 극한상태
같은 와 즉
x
A x
Ax =
.
Markov
이런 과정이장기모델을 설명해주기때문이다 이유는
8
8.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue 8
8 So e pp ca o s oSo e pp ca o s o ge a uege a ue Problems
Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
E 2 Ei l P bl A i i f M k P
Ex. 2 Eigenvalue Problems Arising from Markov Processes
, Markov
는 행렬 확률 따라서 된다
문제가 고유값
경우의 다룰
문제를 극한상태
같은 와 즉
되는 값이 자신의 때
곱해질 와
확률행렬 결정짓는
공정을 가
상태벡터 과정에서
A A
A x
.
, 1
.
,
되는 갖게 관심을 문제의
이러한 된다
고유벡터가 해당되는
이에 는 되며 갖게 을 고유값
는 행렬 확률 따라서 된다
문제가 고유값
경우의 다룰
문제를 극한상태
같은 와 즉
x
A x
Ax =
.
Markov
이런 과정이장기모델을 설명해주기때문이다 이유는
1 1 1 . 0 2 . 0 7 . 0 1 0
1 . 0 7 .
0 ⎥⎤
⎢⎡
⎥⎤
⎢⎡
⎥⎤
⎢⎡
⎥⎤
⎢⎡
⎥⎤
⎢⎡
7.2 Ex. 13
1 :
1 :
1 1 1 1 8 . 0 2 . 0 0
0 9 . 0 1 . 0 1 1
8 . 0 0 1 . 0
2 . 0 9 . 0 2 .
0 A A 의고유값 A의고유값
A ⇒ ⇒
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣
=
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎥⎣
⎥⎥
⎢ ⎦
⎢⎢
⎣
=
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣
⇒
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣
= T T
⎤
⎡2
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
=
=
1 6 2
,
1일때 고유벡터는x λ
의미 접근함을 로
비율이 거주지역의
공업 상업 하에 가정 않는다는
변하지 가
확률행렬 A : : 2:6:1
8
8.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue 8
8 So e pp ca o s oSo e pp ca o s o ge a uege a ue Problems
Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
PROBLEM SET 8.2
HW 17 HW: 17
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
z Square matrix (정방행렬) 에 대하여
• Symmetric:
[ ]ajk
= A A
AT =
• Skew-Symmetric:
• Orthogonal:
A AT = −
−1
= A AT
실수 정방행렬 A는 대칭행렬 R과 반대칭행렬 S의 합으로 표현할 수 있다.
(A AT ) S (A AT)
R = 1(A+ A ) S = 1(A A )
R = + = −
2 2 ,
Ex. 2
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
− +
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
= +
=
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
=
0 0
6 5 1
0 . 6 0
5 . 1
5 . 1 5
. 1 0
0 3 0 2 5
3
0 . 2 0
. 3 5 . 3
5 . 3 5
. 3 0 . 9 3
4 5
8 3
2
2 5 9
S R A
⎥⎦
⎢⎣
⎥⎦
⎢⎣
⎥⎦
⎢⎣5 4 3 3.5 2.0 3.0 1.5 6.0 0
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
z Square matrix (정방행렬) 에 대하여
• Symmetric:
[ ]ajk
= A A
AT =
• Skew-Symmetric:
• Orthogonal:
A AT = −
−1
= A AT
실수 정방행렬 A는 대칭행렬 R과 반대칭행렬 S의 합으로 표현할 수 있다.
(A AT ) S (A AT)
R = 1(A+ A ) S = 1(A A )
R = + = −
2 2 ,
Ex. 2
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
− +
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
= +
=
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
=
0 0
6 5 1
0 . 6 0
5 . 1
5 . 1 5
. 1 0
0 3 0 2 5
3
0 . 2 0
. 3 5 . 3
5 . 3 5
. 3 0 . 9 3
4 5
8 3
2
2 5 9
S R A
⎥⎦
⎢⎣
⎥⎦
⎢⎣
⎥⎦
⎢⎣5 4 3 3.5 2.0 3.0 1.5 6.0 0
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
z Eigenvalues of Symmetric and Skew-Symmetric Matrices (8.5) z Eigenvalues of Symmetric and Skew Symmetric Matrices (8.5)
• 대칭행렬의 고유값은 실수이다. (8.2 Ex. 1)
• 반대칭행렬의 고유값은 순 허수이거나 영이다. 12 20 0 0, 25i 25, i 20
0 9
12 9
0
−
⇒
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
−
−
−
z Orthogonal Transformation (직교변환): y = Ax (A는 직교행렬)
Ex. 각도각 θθ 만큼 평면회전은 직교변환이다. 만큼 평면회전은 직 변환이다
⎥⎦
⎢ ⎤
⎣
⎥⎡
⎦
⎢ ⎤
⎣
⎡ −
⎥ =
⎦
⎢ ⎤
⎣
= ⎡
2 1 2
1
cos sin
sin cos
x x y
y
θ θ
θ y θ
z 내적값
⎦
⎦⎣
⎦ ⎣
⎣y2 2
[ ] 2 ( )
1
T b
b
⎥⎥
⎤
⎢⎢
⎡
z 내적값 a b a b [ 1 2 ] 2 ( n의 임의의벡터a, b)
n n
T R
b a b a
a
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣
=
=
• " #
z 길이 또는 노름(Norm) : a = a•a = aTa
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
z Invariance of Inner Product
직교변환은 벡터의 내적값을 보존한다.
또한 벡터의 길이 또는 노름(norm)도 보존한다.
z Orthonormality of Column and Row Vectors
a b b, a b a Ib a Ab A a Ab (Aa) v
u v
u• = T = T = T T = T = T = • =
z Orthonormality of Column and Row Vectors
실수 정방행렬이 직교일 필요충분조건은 열벡터 (또한 행벡터들)이
정규직교계(Orthonormal System)를 형성하는 것이다.
an
a1, ",
( )
( )
⎩⎨
⎧
=
= ≠
=
• j k
k j
k T j k
j 1
a 0
a a
a
[ ]
a a a
a a a a
a a a
a A A A A I
n T 2
T 1 T
n 2 1 T T
T 1
-
1 1
1
2 1
⎥⎥
⎥⎥
⎤
⎢⎢
⎢⎢
⎡
=
⎥⎥
⎥⎥
⎤
⎢⎢
⎢⎢
⎡
=
=
= "
"
"
"
#
a a a
a a a
aT T 1 T 2 T n
n n
n
n ⎥⎥⎥
⎢ ⎦
⎢⎢
⎥ ⎣
⎥⎥
⎢ ⎦
⎢⎢
⎣ "
#
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
z Determinant of an Orthogonal Matrix 직교행렬의 행렬식의 값은 +1 또는 -1이다.
2 T
T
-1) det (AA ) det A det A (det A) (AA
det I
det
1= = = = =
z Eigenvalues of an Orthogonal Matrix
) (
) (
) (
z Eigenvalues of an Orthogonal Matrix
직교행렬의 고유값은 실수 또는 공액복소수이고 절대값은 1이다.
2 1
2 ⎤
⎡
6 / ) 11 (5
, 6 / ) 11 (5
1, - 3
1 3
2 3 2
3 2 3
1 3
2
i
i −
+
⎥ ⇒
⎥⎥
⎥⎤
⎢⎢
⎢⎢
⎡
− ( ) ( )
3 2 3
2 3
1
3 3
3
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣ −
8
8.3 S.3 Symmetricymmetric, Skewyy , Skew--Symmetric, and,, Symmetric, andyy ,, Orthogonal Matrices
Orthogonal Matrices
((대칭 대칭, , 반대칭 반대칭, , 직교행렬 직교행렬))
PROBLEM SET 8.3
HW 3 18 HW: 3, 18
8
8.4 .4 EigenbasesEigenbases.. Diagonalizationgg Diagonalization. Quadraticgg . QuadraticQQ Forms
Forms
((고유벡터의 고유벡터의 기저 기저. . 대각화 대각화. 2 . 2차 차 형식 형식))
z Basis of Eigenvectors z Basis of Eigenvectors
된다.
기저가 의
은 ,
, 고유벡터 의
행렬 이
, 가지면 고유값을
다른 서로
개의 가
행렬 만일
n
n R
n n
n
x x
A
A
"
1
×
n 1
n n n
n
c c
c
c c
c
) x x
x A(
Ax y
x x
x x
2 2 1 1
2 2 1 1
+ +
+
=
=
+ +
+
=
"
"
n n n
n n
n n
c c
c
c c
c
x x
x
Ax Ax
Ax
) (
y
2 2 2 1 1 1
2 2 1 1
2 2 1 1
λ λ
λ + + +
=
+ +
+
=
"
"
z Symmetric Matrices
대칭행렬은 고유벡터로 구성된 정규직교 기저를 갖는다.
대칭행렬은 고유벡터로 구성된 정규직교 기저를 갖는다.
⎥⎤
⎢⎡5 3
⎥⎥
⎥⎤
⎢⎢
⎢⎡
⎥⎥
⎥⎤
⎢⎢
⎢⎡
1 2 1 1 ,
2 1
⎥⎦
⎢⎣3 5 ⎢⎢⎣ ⎥⎥⎦ ⎢⎢⎣− ⎥⎥⎦
2 1 2
1
8
8.4 .4 EigenbasesEigenbases.. Diagonalizationgg Diagonalization. Quadraticgg . QuadraticQQ Forms
Forms
((고유벡터의 고유벡터의 기저 기저. . 대각화 대각화. 2 . 2차 차 형식 형식))
z Similarity Transformation (상사변환) z Similarity Transformation (상사변환)
( P)
AP P
Aˆ = −1 n×n정칙행렬
z Eigenvalues and Eigenvectors of Similar Matrices 갖는다.
고유값을 같은
와 는 상사이면 에
가 A A A
Aˆ ˆ
된다.
고유벡터가 의
대응되는 고유값에
같은 는
고유벡터이면 의
가 A y P x A
x = −1 ˆ
x P x)
(P Aˆ x
APP P
AIx P
Ax
P−1 = −1 = −1 −1 = −1 = λ −1
z Diagonalization of a Matrix (행렬의 대각화) n A
n× 행렬 가 고유벡터의기저를 가지면
만일 ⎡ ⎤
⎥⎦
⎢ ⎤
⎣
= ⎡
⎥⎦
⎢ ⎤
⎣
= ⎡
0 ˆ 3
4 1
3 X 1
1 , - 4
3 - A 6
X
A AX X D 1
= −
행렬이다.
하는 열벡터로
고유벡터들을 이들
는 여기서
된다.
원소가 주대각선의
고유값들이 의
되고, 대각행렬이
는
⎥⎦
⎢ ⎤
⎣
= ⎡
⇒ 0 2
0 A 3
X A X Dm = −1 m
또한
행렬이다 하는
열벡터 유벡터들을
이들 는
여기서
8
8.4 .4 EigenbasesEigenbases.. Diagonalizationgg Diagonalization. Quadraticgg . QuadraticQQ Forms
Forms
((고유벡터의 고유벡터의 기저 기저. . 대각화 대각화. 2 . 2차 차 형식 형식))
E 4 Di li Ex. 4 Diagonalize
⎥⎥
⎤
⎢⎢
⎡ −
5 5 0 1 5 11
7 . 3 2
. 0 3
. 7 A
⎥⎥
⎥
⎢ ⎦
⎢⎢
⎣ −
−
=
3 . 9 8
. 1 7 . 17
5 . 5 0 . 1 5 . 11 A