正定矩阵
正定矩阵与性质
27
X Rn , X T AAT X ( AT X )T AT X
AT X
2
0,
故AT X
Q r( AT ) m n,
AT 的列向量组线性相关，存在n维列向量 X o,
使得AT X o ,于是
X T AAT X X T Ao 0,
故 AAT 不是正定矩阵。
28
3.若A为 n m矩阵,且r( A) r min(n,m),则 AT A 和 AAT 分别为m阶和n阶半正定矩阵但非正定矩阵.
17
例 用顺序主子式判断上例的矩阵的正定性.
6 2 2
A
2
5
0
.
2 0 7
解| A1 | 6 0,
6 2
| A2 | 2
30 4 26 0, 5
6 2 2
| A3 | 2 5 0 210 20 28 162 0. 2 07
故A正定.
18
实对称矩阵A正定的充分必要条件是
阵G,使得
GT An1G En1 .
令 则
G O
C1
O
1
,|
C1
||
G
|
0.
C1T
AC1
GT
O
O An1
1
T
G
ann
O
O
1
G
A T n1
T
GT G
ann
O
O 1
G
T An1G
TG
G T
ann
En1
TG
GT
ann
.
再令
15
C2
En1 O
GT
24 3 71
99 6
正定矩阵的性质和判定方法及应用概要
正定矩阵的性质和判定方法及应用概要
一、正定矩阵的定义
正定矩阵是一类特殊的线性代数对象，它是二维以上方阵中所有元素都有正值的一种矩阵。
二、正定矩阵的性质
1、正定矩阵的特性
由于所有元素都是正值，所以正定矩阵是一种对称矩阵，其特征值都是大于0，即特征值>0；特征向量都是有向量，即特征向量≠0；这种矩阵也称为正数矩阵或半正定矩阵。
2、正定矩阵的恒等式
如果一个矩阵M是一个正定矩阵，则它满足：mTm>0，其中mT表示M 的转置，m表示M中的其中一行（或列）向量。
3、正定矩阵的特殊性质
正定矩阵是线性代数中最重要的矩阵之一，它的特殊性质：（1）正定矩阵是正交矩阵的一类；（2）正定矩阵的逆矩阵是它的转置；（3）正定矩阵的主对角线元素全为正；（4）正定矩阵的最小特征值是它的最大特征值的平方根；（5）正定矩阵的行列式是正值；（6）正定矩阵也是正秩矩阵。
三、正定矩阵的判定方法
1、特征值判定法
如果一个矩阵M的所有特征值都是正值，则它是一个正定矩阵。
2、恒等式判定法
如果矩阵M满足mTm>0，其中mT表示M的转置，m表示M中的其中一行（或列）向量，则它是一个正定矩阵。
3、行列式判定法。
正定矩阵的积
正定矩阵的积正定矩阵是线性代数中的重要概念之一，它在许多领域中都有广泛的应用。
本文将详细介绍正定矩阵的定义、性质和应用，并探讨正定矩阵的乘积。
一、正定矩阵的定义和性质正定矩阵是指所有特征值都大于零的实对称矩阵。
具体来说，对于n阶实对称矩阵A，如果对于任意非零向量x，都有x^T * A * x > 0，那么矩阵A就是正定矩阵。
正定矩阵具有以下几个重要的性质：1. 正定矩阵的特征值全部大于零；2. 正定矩阵的所有主子矩阵都是正定矩阵；3. 两个正定矩阵的乘积仍然是正定矩阵；4. 正定矩阵的逆矩阵也是正定矩阵。
二、正定矩阵的应用正定矩阵在实际应用中有着广泛的应用，例如在优化问题、最小二乘法、信号处理等领域中都有重要的作用。
1. 优化问题在优化问题中，正定矩阵可以用来判断一个函数的局部极小值是否为全局极小值。
具体来说，如果一个函数的二阶导数矩阵为正定矩阵，那么该函数的极小值是全局极小值。
2. 最小二乘法最小二乘法是一种常用的数据拟合方法，它通过最小化残差的平方和来拟合数据。
在最小二乘法中，正定矩阵可以用来求解线性方程组，进而得到最优拟合结果。
3. 信号处理在信号处理中，正定矩阵可以用来描述信号的功率谱密度。
功率谱密度是一个信号在频域上的能量分布情况，正定矩阵可以通过特征值分解来计算信号的功率谱密度。
三、正定矩阵的乘积正定矩阵的乘积也是一个正定矩阵。
假设A和B是两个正定矩阵，我们需要证明它们的乘积AB也是正定矩阵。
由于A和B都是正定矩阵，所以它们的特征值都大于零。
设A的特征值为λ1, λ2, ..., λn，B的特征值为μ1, μ2, ..., μn。
那么AB的特征值为λ1μ1, λ2μ2, ..., λnμn。
由于A和B的特征值都大于零，所以AB的特征值也都大于零。
因此，AB是一个正定矩阵。
四、结论正定矩阵是线性代数中的重要概念，它具有许多重要的性质和广泛的应用。
其中，正定矩阵的乘积也是一个正定矩阵。
正定矩阵 和实对称矩阵
正定矩阵和实对称矩阵正定矩阵是线性代数中一个很重要的概念，与之相关的概念还有实对称矩阵。
本文将详细介绍正定矩阵和实对称矩阵的定义、性质以及它们之间的关系。
1.正定矩阵的定义在矩阵理论中，正定矩阵是一种特殊的方阵，具有一些重要的性质。
对于一个n阶矩阵A，如果对于任意非零向量x，都有x^T*A* x>0，那么矩阵A就被称为正定矩阵。
其中，x^T表示向量x的转置，"*"表示矩阵的乘法。
2.正定矩阵的性质正定矩阵具有以下重要性质：-正定矩阵的特征值都是正数。
这是正定矩阵的一个重要性质，可以通过特征值分解来证明。
-正定矩阵的行列式大于0。
正定矩阵的行列式可以看作是矩阵的所有特征值的乘积，由于特征值都是正数，所以行列式也必然大于0。
-正定矩阵的逆矩阵也是正定矩阵。
逆矩阵的定义与正定矩阵的性质相呼应，两者之间存在密切的关联。
3.实对称矩阵的定义实对称矩阵是指对于一个矩阵A，它的转置矩阵等于它本身，即A^T=A。
实对称矩阵在应用中具有很多重要的特性和性质。
4.实对称矩阵与正定矩阵的关系实对称矩阵和正定矩阵之间存在着紧密的关系。
事实上，一个实对称矩阵是正定矩阵的充分条件是它的所有特征值都是正数。
这可以通过特征值分解和正定矩阵的定义进行证明。
5.应用领域正定矩阵和实对称矩阵在数学和工程领域中都有广泛的应用。
在最优化问题中，正定矩阵是一类重要的关键性质，它们被广泛应用于凸优化、线性规划等领域。
实对称矩阵在物理学、力学、信号处理等领域中也有重要的应用。
本文介绍了正定矩阵和实对称矩阵的定义、性质以及它们之间的关系。
正定矩阵具有特征值全为正数、逆矩阵也是正定矩阵等重要性质；实对称矩阵是指转置矩阵等于本身的矩阵。
实对称矩阵的所有特征值为正则可以称之为正定矩阵。
正定矩阵和实对称矩阵在数学和工程领域中有广泛的应用，对于最优化问题、物理学、力学等领域具有重要意义。
正定矩阵的判定方法
正定矩阵的判定方法概述正定矩阵是线性代数中一个重要的概念，它在许多数学和科学领域中都有广泛的应用。
在解决优化问题、最小二乘法、概率统计和信号处理等领域中，正定矩阵的判定方法是关键的操作。
本文将介绍什么是正定矩阵，并详细讨论几种判定正定矩阵的方法。
正定矩阵的定义在开始讨论正定矩阵的判定方法之前，我们首先来了解正定矩阵的定义。
一个n × n 的实对称矩阵 A 称为正定矩阵，如果对于任意的非零向量 x，都有 x^TAx > 0。
其中，x^T 表示 x 的转置，x^TAx 表示向量 x 与矩阵 A 的乘积。
根据这个定义，我们可以得出正定矩阵的一些基本特征：1. 正定矩阵的特征值均为正数。
2. 正定矩阵的所有主子式（即从左上角到右下角的任意一组连续的对角线元素）均为正数。
3. 正定矩阵的所有奇异值均为正数。
接下来，我们将详细讨论几种常见的判定正定矩阵的方法。
1. 全主子式判定法全主子式判定法是最常用的判定正定矩阵的方法之一。
根据正定矩阵的定义，我们知道所有的主子式都应该是正数。
因此，我们可以通过计算矩阵的所有主子式，并检查它们是否都大于零来判断矩阵是否为正定矩阵。
具体的步骤如下：1) 对于一个n × n 的矩阵 A，计算所有的k × k 的主子式 D1,D2, ..., Dn，其中 k = 1, 2, ..., n。
2) 检查所有的主子式是否都大于零。
如果是，则矩阵 A 是正定矩阵；否则，矩阵 A 不是正定矩阵。
这种方法的时间复杂度为 O(n^3)，其中 n 是矩阵的维度。
2. 特征值判定法特征值判定法是另一种常用的判定正定矩阵的方法。
根据正定矩阵的定义，我们知道矩阵的特征值都应该是正数。
因此，我们可以通过计算矩阵的特征值，并检查它们是否都大于零来判断矩阵是否为正定矩阵。
具体的步骤如下：1) 对于一个n × n 的矩阵 A，求解其特征值λ1, λ2, ..., λn。
矩阵正定性
矩阵正定性矩阵正定性是线性代数理论中的一个重要概念。
它是指矩阵的特性：如果一个矩阵A，对任意向量x，都有xTAx> 0，那么A就是正定的。
很多线性代数的概念依赖于正定矩阵。
这篇文章将讨论正定性矩阵的基本定义、性质以及重要的一些应用。
首先定义正定矩阵。
正定矩阵是一种特殊的矩阵，它满足下面这个充分必要条件：对任意实数向量x,都有xTAx>0，其中A是正定矩阵。
也就是说，任何实数对应的向量处投影均为正值，那么这个矩阵就是正定的。
有时，也会将正定矩阵定义为实矩阵，其中所有的特征值为正。
另外，正定矩阵也可以被定义为实对称矩阵，其中所有的特征值为正。
正定矩阵的性质是它的行列式都大于零，它的对角阵的特征值大于等于零，正定性矩阵的逆矩阵也是正定的。
这些性质也与它的概念很契合，因为它的行列式都大于零，说明矩阵的每一个分块元素都非负，而特征值大于等于零，说明矩阵本身是稳定的，不会产生振荡。
由于正定性矩阵的逆矩阵也是正定的，因此它也是一个非常重要的性质。
正定性矩阵是线性代数理论中非常重要的概念，它在机器学习、信号处理、最优化以及复杂数学计算中都有着重要的应用。
在机器学习中，正定性矩阵可以用来优化多元函数，可以用于确定最优解。
在信号处理中，它可以用来改善分类精度，并且可以用来检测图像中的模式和特征。
最后，正定性矩阵在复杂数学计算中也有着重要的应用，比如求解非线性方程组，矩阵解析法和投影算法等。
综上所述，正定性矩阵是一种特殊的矩阵，它满足xTAx>0的特性，其定义包括实矩阵、实对称矩阵和行列式都大于零的性质。
正定性矩阵在线性代数理论中具有重要的地位，它的性质也决定了它在机器学习、信号处理、最优化和复杂数学计算中的重要应用。
正定矩阵条件
正定矩阵条件正定矩阵是线性代数中一个重要的概念，它在许多领域中都有广泛的应用。
本文将从几个不同的角度来解释正定矩阵的概念和条件。
我们来看正定矩阵的定义。
一个n阶实对称矩阵A称为正定矩阵，如果对于任意非零向量x，都有x^T * A * x > 0，其中x^T表示x 的转置。
这个定义可以用来判断一个矩阵是否为正定矩阵。
为了更好地理解正定矩阵的条件，我们可以从它的几何意义入手。
正定矩阵定义了一个二次型，即x^T * A * x，它表示了一个向量x 经过矩阵A的变换后的平方和。
当这个平方和大于零时，我们可以说矩阵A是正定的。
换句话说，正定矩阵定义了一个椭球体，所有的非零向量都位于这个椭球体内部。
正定矩阵的条件有很多种形式。
其中一种常见的条件是所有的特征值都大于零。
特征值是矩阵A的一个重要性质，它可以看作是矩阵A对应的线性变换在某个方向上的缩放比例。
如果矩阵A的所有特征值都大于零，那么它就是正定矩阵。
另一个条件是矩阵的所有主子式都大于零。
主子式是矩阵A的一个重要概念，它是通过去掉矩阵的某些行和列后得到的子矩阵的行列式。
如果矩阵A的所有主子式都大于零，那么它也是正定矩阵。
除了以上两个条件，正定矩阵还有其他等价的条件。
例如，矩阵A 可以被分解为A = LL^T的形式，其中L是一个下三角矩阵。
这个分解被称为Cholesky分解，它可以将正定矩阵表示为一个下三角矩阵的平方。
通过Cholesky分解，我们可以很容易地判断一个矩阵是否为正定矩阵。
正定矩阵在许多领域中都有广泛的应用。
在优化问题中，正定矩阵是一个非常重要的概念。
许多优化算法都依赖于正定矩阵的性质，例如共轭梯度法和牛顿法。
在机器学习中，正定矩阵用于定义二次型的正则化项，以及计算协方差矩阵和相关矩阵。
总结起来，正定矩阵是一个重要的概念，它定义了一个二次型，描述了一个向量经过矩阵变换后的平方和。
正定矩阵的条件有很多种形式，包括所有的特征值都大于零，所有的主子式都大于零等等。
证明正定矩阵
证明正定矩阵正定矩阵是线性代数中的一个重要概念，它具有着许多重要的性质和应用。
在实际应用中，我们常常需要证明一个矩阵是否为正定矩阵，因此掌握正定矩阵的证明方法对于深入了解线性代数理论和应用非常重要。
下面将介绍正定矩阵的定义和性质，以及如何证明一个矩阵是正定矩阵。
一、正定矩阵的定义和性质定义：若矩阵$A$满足对于任意非零向量$\bold{x}$，都有$\bold{x}^T\bold{Ax}>0$，则称$A$为正定矩阵。
性质：1. 正定矩阵的特征值全是正实数。
2. 正定矩阵的行列式大于0。
3. 正定矩阵的逆矩阵也是正定矩阵。
4. 正定矩阵的各阶子矩阵也是正定矩阵。
二、证明矩阵为正定矩阵的方法1. 利用特征值根据正定矩阵的定义，对于任意非零向量$\bold{x}$，都有$\bold{x}^T\bold{Ax}>0$，即$\bold{x}^T\lambda\bold{x}>0$，其中$\lambda$为矩阵$A$的特征值。
因为$\bold{x}\neq\bold{0}$，所以$\lambda>0$。
因此，我们可以通过计算矩阵$A$的特征值来证明矩阵$A$是正定矩阵。
如果矩阵$A$的所有特征值都是正实数，则矩阵$A$是正定矩阵。
举个例子，假设有一个矩阵$A=\begin{bmatrix}2&1\\1&4\end{bmatrix}$，我们可以通过计算它的特征值来证明它是正定矩阵。
矩阵$A$的特征方程为$(2-\lambda)(4-\lambda)-1=0$，解得$\lambda_1=1$和$\lambda_2=5$，由于$\lambda_1>0$且$\lambda_2>0$，因此矩阵$A$是正定矩阵。
2. 利用正交矩阵正交矩阵是指满足$Q^TQ=I$的方阵$Q$，其中$I$为单位矩阵。
因为正交矩阵保持向量的长度不变，所以它可以用来证明矩阵$A$是正定矩阵。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
f = x T Ax , 如果对于任何 定义9 设有实二次型 定义 x ≠ 0 , 都有 f(x) > 0,(显然 f(0) = 0 ),则称 f 为正定 ),则称 ( 二次型, 正定的. 二次型,并称对称阵 A 是正定的.记作 A > 0 ;如果 负定二次型, 对任何 x ≠ 0 , 都有 f(x) < 0 , 则称 f 为负定二次型, 并称对称阵 A 是负定的 ,记作 A < 0 . 定理12 实二次型 f = x T Ax 为正定的充分 定理 必要条件是: 个系数全为正. 必要条件是:它的标准形的 n 个系数全为正. 证 设可逆变换 x = Cy使
A 的各阶主子式为: 的各阶主子式为:
a11 > 0,
a11 a 21
a12 a 22
=
1
λ
4
λ
= 4 λ 2 > 0,
A = 4(λ 1)(λ + 2) > 0, 解得 2 < λ < 1时, 二次型为正定的 .
上页 下页 返回
Ex.11 判别二次型 f = 的正定性. 的正定性. 1 1 解 f 的矩阵是 A = 1 0
上页 下页 返回
三) 化二次型为标准型的方法
(1).正交变换法 正交变换法 1 .写出二次型对应的矩阵 . 写出二次型对应的矩阵A 写出二次型对应的矩阵 2 .将A化为对角阵,求出正交阵P . .将A化为对角阵 求出正交阵P 化为对角阵, 3 .写出标准型,且正交变换为 写出标准型, 写出标准型 且正交变换为X=PY . (2).配方法 配方法 1.含有平方项,直接配方; 含有平方项, 含有平方项 直接配方; 2.不含有平方项 化成含有平方项 再配方 不含有平方项,化成含有平方项 再配方; 不含有平方项 化成含有平方项,再配方
由x ≠ 0及C可逆, 得y = C 1 x ≠ 0, f = x T Ax = y T (C T AC ) y > 0, 从而
是正定的. 即C TAC是正定的. 是正定的
上页
下页
返回
Ex.12 证明:若实对称矩阵 = ( aij ) 为正定矩阵, 证明:若实对称矩阵A 为正定矩阵, 则 aii > 0 ( i =1, 2, …, n ). 证 因为A 为正定, 因为 为正定,所以对任意 x ≠ 0,
上页
下页
返回
定理13 对称阵 A 为正定的充分必要条件是:A 为正定的充分必要条件是: 定理 的各阶主子式都为正. 的各阶主子式都为正.即
a11 > 0, a11 a 21 a12 a 22 a11 a1n > 0, , … … > 0; a n1 a nn
为负定的充分必要条件是: 对称阵 A 为负定的充分必要条件是:奇数阶主子式为 而偶数阶主子式为正. 负,而偶数阶主子式为正.即 a11 a1r
上页
下页
返回
判别矩阵正定的方法
根据正定矩阵的定义及性质,判别对称矩阵 根据正定矩阵的定义及性质,判别对称矩阵A 的正定性有两种方法. 的正定性有两种方法. 一是求出A 的所有特征值. 一是求出 的所有特征值.若A 的特征值均为 正数, 是正定的; 的特征值均为负数, 正数,则A 是正定的;若A 的特征值均为负数,则A 为负定的. 为负定的. 二是计算A 的各阶主子式. 二是计算 的各阶主子式.若A 的各阶主子式 均大于零, 是正定的; 的各阶主子式中, 均大于零,则A 是正定的;若A 的各阶主子式中, 奇数阶主子式为负,偶数阶为正, 为负定的. 奇数阶主子式为负,偶数阶为正,则A 为负定的.
上页 下页 返回
四 判定矩阵与二次型为正定的方法
1.定义法: 定义法: 定义法 2. 用霍尔维兹定理: A 的各阶主子式都为正, 用霍尔维兹定理: 的各阶主子式都为正, 是正定的; 则A 是正定的 3. 用A的特征值: A 的特征值全为正,则A 的特征值: 的特征值全为正, 的特征值 是正定的; 是正定的 4. 化A所对应的二次型为标准形 根据标准形 所对应的二次型为标准形,根据标准形 所对应的二次型为标准形 中的正平方项个数判断; 中的正平方项个数判断
有f = x T Ax > 0, 取x = eiT = (0, ,1, ,0),
则x Ax = a ii > 0( i = 1,2, , n).
T
上页
返回
第五章小结
本章通过向量的内积,从而给 维向量建立了度 本章通过向量的内积,从而给n维向量建立了度 量的概念,结合方阵的特征值理论, 量的概念,结合方阵的特征值理论,给出了判定矩 阵是否可以对角化的判定方法; 阵是否可以对角化的判定方法;通过对实对称矩阵 所具有的特点, 所具有的特点,说明实对称矩阵不仅可以相似对角 而且可以正交对角化; 化,而且可以正交对角化;从而为二次型化标准型 提供了一种重要方法:正交变换法. 提供了一种重要方法:正交变换法.由二次型与实 对称矩阵的一一对应关系, 对称矩阵的一一对应关系,将二次型的讨论转化为 矩阵的讨论,并讨论了正定二次型. 矩阵的讨论,并讨论了正定二次型.
上页 下页 返回
二 ) 正交方阵将方阵化为对角阵的方法
(1).求A 的特征值; 求 的特征值; (2).求A 的特征值对应的 个线性无关的特征向量; 求 的特征值对应的n 个线性无关的特征向量; (3). 将重特征值所对应的特征向量正交化,连同单 将重特征值所对应的特征向量正交化, 特征值所对应的特征向量一起就得到两两正交的特征 向量; 向量; (4). 将 (3) 中 n 个特征向量单位化,得到 n 个两两 个特征向量单位化, 正交的单位特征向量; 正交的单位特征向量; (5). 以这些特征向量作为列向量的矩阵就是所求的 正交矩阵, 正交矩阵,且有 P 1 AP = ∧ .
2 λ1 z12 + λ 2 z 2 + + λ r z r2 , (λ i ≠ 0) 则k1 , k 2 , , k r中正数的个数与 λ1 , λ 2 , , λ r中正数的
及
个数相等 . 正数的个数称为正惯性指数,负数的个数 正数的个数称为正惯性指数, 正惯性指数
称为负惯性指数 称为负惯性指数
( 1) r > 0, ( r = 1,2, , n). ar 1 a rr
这个定理称为霍尔维兹定理. 这个定理称为霍尔维兹定理. 霍尔维兹定理
上页 下页 返回
注意:对于二次型,除了有正定和负定以外, 注意:对于二次型,除了有正定和负定以外, 还有半正定和半负定及不定二次型等概念. 还有半正定和半负定及不定二次型等概念.
5 2 = = 26 > 0, 2 6
A = 80 < 0,
是负定的. 所以 f 是负定的.
上页 下页 返回
例18 设二次型 2 2 2 f = x1 + 4 x 2 + 4 x 3 + 2 λ x1 x 2 2 x1 x 3 + 4 x 2 x 3
问λ取何值时 , f为正定二次型 .
解
1 λ f 的矩阵是 A = λ 4 1 2 1 2 , 4
正定二次型
★正定二次型和正定矩阵的概念 ★判别二次型或矩阵正定的方法
正定二次型是二次型中讨论最多的类型, 正定二次型是二次型中讨论最多的类型,本节 结合二次型的标准型中系数给出正定二次型的概念, 结合二次型的标准型中系数给出正定二次型的概念, 并给出了判定二次型正定及实对称矩阵的几种方法. 并给出了判定二次型正定及实对称矩阵的几种方法.
f ( x ) = f (Cy ) = ∑ kyi2 .
i =1 n
上页
下页
返回
先证充分性 1 设k i > 0( i = 1,2, , n).任给x ≠ 0, 则C x ≠ 0, 故
f ( x ) = ∑ k i yi2 > 0.
i =1 n
再证必要性:用反证法. 再证必要性:用反证法.假设有 ks ≤0 , 则 f 当y = e s时, ( 单位坐标向量 ) 时, (Ce s ) = k s ≤ 0, 故 正定矛盾, 显然Ce s ≠ 0.这与假设 f 正定矛盾, k i > 0. 为正定的充分必要条件是: 推论 对称阵 A 为正定的充分必要条件是:A 的特 征值全为正. 征值全为正.
下页
关闭
正定二次型和正定矩阵的概念
二次型的标准形不是唯一的. 二次型的标准形不是唯一的. 标准形中所含项数是确定的( 标准形中所含项数是确定的 即是二次型的秩 ). . 限定变换为实变换时, 限定变换为实变换时,标准形中正系数的个数是 不变的. 不变的.
f = x T Ax , 定理11 定理 ( 惯性定理 ) 设有实二次型 它的秩是 r ,有两个实的可逆变换x = Cy与x = Pz , 2 2 k1 y1 + k 2 y 2 + + k r y r2 , ( k i ≠ 0) 使
上页
下页
返回
3 1 0 正定性. 例16 判定对称矩阵 A = 1 3 0 正定性. 0 0 3 解 方法一 因为a11 = 3 > 0,
a11 a 21 a12 a 22
3 1 0 3 1 = = 8 > 0, | A |= 1 3 0 = 24 > 0, 1 3 0 0 3
所以A 是正定的. 所以 是正定的.
上页 下页 返回
第五章主要方法 一) 方阵的特征值与特征向量的求法
(1).计算 A的特征多项式 f (λ ) =| A λ E |; ( 2).求出 f (λ ) = 0的全部根 , 即A的全部特征值 ;
( 3 ).把 A 的特征值逐个代入齐次 线性方程组 ( A λ E ) x = 0, 并求出这个方程组的一 个基础解 系, 则这个基础解系的非零 线性组合就是 A 的属 于特征值 λ 的全部特征向量 .
上页
下页
返回