全ての$n(\geqq 2)$次正方行列$A$に対して、${}^tA = T_1 A T_2$となるn次正方行列$T_1$、$T_2$が存在すると仮定します。 $A=E$:単位行列とすると、 \begin{align*} {}^tE &= T_1 E T_2 \\ E &= T_1T_2 \\ T_2 &= T_{1}^{-1} \end{align*} であることが分かります。 次に、全ての$n$次正方行列たち$A$、$B$に対して、${}^t(AB)={}^tB{}^tA$が成り立つことから、 \begin{align*} {}^t(AB) &= {}^tB{}^tA \\ T_1 AB T_{1}^{-1} &= T_1 B T_{1}^{-1}T_1 A T_{1}^{-1} \\ T_1 AB T_{1}^{-1} &= T_1 BA T_{1}^{-1} \\ AB &= BA \end{align*} が全ての$n$次正方行列たち$A$、$B$に対して成り立つことになります。しかし、これは一般的には成り立たないので矛盾です。 よって、全ての$n$次正方行列$A$に対して、${}^tA = T_1 A T_2$となるようなn次正方行列$T_1$、$T_2$は存在しません。<問題>
— toyo (@toyo9) June 27, 2020
全てのn(n≧2)次正方行列Aに対して、
^tA=T_1 A T_2 (^tA:Aの転置行列)
となるようなn次正方行列T_1,T_2は存在しないことを示してください。 pic.twitter.com/nPYL46MqGZ
2020年7月26日日曜日
ツイッター自作問題 解答10
この問題の答えです。
2020年6月28日日曜日
ツイッター自作問題 解答9
この問題の答えです。
$v_2$を求めると、 \begin{align*} (A^2 - \lambda_2 E)v_2 &= 0 \\ \begin{pmatrix} 10 - 16 & 6 \\ 6 & 10 - 16 \end{pmatrix} \begin{pmatrix} x_2 \\ y_2 \end{pmatrix} &= 0 \\ \begin{pmatrix} -6 & 6 \\ 6 & -6 \end{pmatrix} \begin{pmatrix} x_2 \\ y_2 \end{pmatrix} &= 0 \end{align*} これより、$v_1 = {}^t\!\begin{pmatrix}1 & 1\end{pmatrix}$が取れます。 これで、$A^2$の固有値と固有ベクトルが求められました。 次に、$P:=\begin{pmatrix}v_1 & v_2\end{pmatrix}$とおいて、$A^2 P$を計算すると、 \begin{align*} A^2 P &= A^2 \begin{pmatrix}v_1 & v_2 \end{pmatrix} \\ &= \begin{pmatrix}A^2 v_1 & A^2 v_2 \end{pmatrix} \\ &= \begin{pmatrix}4v_1 & 16v_2 \end{pmatrix} \\ &= \begin{pmatrix} v_1 & v_2 \end{pmatrix} \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} \\ &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} \\ A^2 &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} P^{-1} \end{align*} となり、$A^2$を対角化することができました。 ここで、 $$ B:=P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} $$ を取り$B^2$を計算すると、 \begin{align*} B^2 &=P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} \\ &= P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix}^2 P^{-1} \\ &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} P^{-1} \\ &= A^2 \end{align*} よって、 \begin{align*} B &= P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} \\ &= \begin{pmatrix} 1 & 1 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} \frac{1}{2} \begin{pmatrix} 1 & -1 \\ 1 & 1 \end{pmatrix} \\ &= \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix} \end{align*} は与式を満たす$A$の一つとなります。
$A^2$を対角化することで、$A$を見つけることにします。 そのために、$A^2$の固有値と固有ベクトルを求めます。 $A^2$の固有値を$\lambda$、固有ベクトルを$v$とすると、 \begin{align*} A^2 v &= \lambda v \\ (A^2 - \lambda E)v &= 0 (E:単位行列、0:零行列)。 \end{align*} $v$を零ベクトルでないとすれば、$A^2 - \lambda E$は逆行列を持たないので、その行列式は$0$となります。これより、 \begin{align*} |A^2 - \lambda E| &= 0 \\ \begin{vmatrix} 10 - \lambda & 6 \\ 6 & 10 - \lambda \end{vmatrix} &= 0 \\ (10 - \lambda)^2 - 36 &= 0 \\ \lambda^2 - 20\lambda + 64 &= 0 \\ (\lambda - 4)(\lambda - 16) &= 0 \end{align*} より、$\lambda = 4, 16$となります。$\lambda_1 := 4$、$\lambda_2 := 16$とし、$\lambda_1$対する固有ベクトルを$v_1={}^t\!\begin{pmatrix}x_1 & y_1\end{pmatrix}$、$\lambda_2$対する固有ベクトルを$v_2={}^t\!\begin{pmatrix}x_2 & y_2\end{pmatrix}$とします。 $v_1$を求めると、 \begin{align*} (A^2 - \lambda_1 E)v_1 &= 0 \\ \begin{pmatrix} 10 - 4 & 6 \\ 6 & 10 - 4 \end{pmatrix} \begin{pmatrix} x_1 \\ y_1 \end{pmatrix} &= 0 \\ \begin{pmatrix} 6 & 6 \\ 6 & 6 \end{pmatrix} \begin{pmatrix} x_1 \\ y_1 \end{pmatrix} &= 0 \end{align*} これより、$v_1 = {}^t\!\begin{pmatrix}1 & -1\end{pmatrix}$が取れます。次の条件を満たすAを一つ見つけてください。 pic.twitter.com/ezD4fXqE97
— toyo (@toyo9) April 30, 2019
$v_2$を求めると、 \begin{align*} (A^2 - \lambda_2 E)v_2 &= 0 \\ \begin{pmatrix} 10 - 16 & 6 \\ 6 & 10 - 16 \end{pmatrix} \begin{pmatrix} x_2 \\ y_2 \end{pmatrix} &= 0 \\ \begin{pmatrix} -6 & 6 \\ 6 & -6 \end{pmatrix} \begin{pmatrix} x_2 \\ y_2 \end{pmatrix} &= 0 \end{align*} これより、$v_1 = {}^t\!\begin{pmatrix}1 & 1\end{pmatrix}$が取れます。 これで、$A^2$の固有値と固有ベクトルが求められました。 次に、$P:=\begin{pmatrix}v_1 & v_2\end{pmatrix}$とおいて、$A^2 P$を計算すると、 \begin{align*} A^2 P &= A^2 \begin{pmatrix}v_1 & v_2 \end{pmatrix} \\ &= \begin{pmatrix}A^2 v_1 & A^2 v_2 \end{pmatrix} \\ &= \begin{pmatrix}4v_1 & 16v_2 \end{pmatrix} \\ &= \begin{pmatrix} v_1 & v_2 \end{pmatrix} \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} \\ &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} \\ A^2 &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} P^{-1} \end{align*} となり、$A^2$を対角化することができました。 ここで、 $$ B:=P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} $$ を取り$B^2$を計算すると、 \begin{align*} B^2 &=P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} \\ &= P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix}^2 P^{-1} \\ &= P \begin{pmatrix} 4 & 0 \\ 0 & 16 \end{pmatrix} P^{-1} \\ &= A^2 \end{align*} よって、 \begin{align*} B &= P \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} P^{-1} \\ &= \begin{pmatrix} 1 & 1 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 2 & 0 \\ 0 & 4 \end{pmatrix} \frac{1}{2} \begin{pmatrix} 1 & -1 \\ 1 & 1 \end{pmatrix} \\ &= \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix} \end{align*} は与式を満たす$A$の一つとなります。
2019年9月30日月曜日
線形代数 n次元ベクトル、行列とそれらの演算
線形代数の主役である、n次元ベクトルと行列について述べます。n次元ベクトルとは、数(実数など体の元)をn個縦か横に並べたものです。縦に並べたものを縦ベクトルまたは列ベクトル、横に並べたものを横ベクトルまたは行ベクトルと呼びます。
例:
$$
2次元縦ベクトル
\begin{pmatrix}
1 \\
2
\end{pmatrix},\;\;
3次元縦ベクトル
\begin{pmatrix}
\pi \\
e \\
\gamma
\end{pmatrix}
$$
$$
2次元横ベクトル
\begin{pmatrix}
73 & 91
\end{pmatrix},\;\;
3次元横ベクトル
\begin{pmatrix}
e+\tau & \sigma & \sqrt{101}
\end{pmatrix}
$$
ここからは特に断らない限りベクトルと言えば、3次元縦ベクトルのこととします。次に、ベクトルの演算についてです。ベクトルに次の3つの演算を定義します。
スカラー(数)$a$, ベクトル${}^t\!\begin{pmatrix}x & y & z \end{pmatrix}$に対して、
$$
\begin{equation}
a\begin{pmatrix}x \\ y \\ z \end{pmatrix}:=
\begin{pmatrix}ax \\ ay \\ az \end{pmatrix}
\end{equation}\;\;(スカラー倍)
$$
2つのベクトル${}^t\!\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}$、${}^t\!\begin{pmatrix}x_2 & y_2 & z_2 \end{pmatrix}$に対して、
$$
\begin{equation}
\begin{pmatrix}x_1 \\ y_1 \\ z_1 \end{pmatrix}
+
\begin{pmatrix}x_2 \\ y_2 \\ z_2 \end{pmatrix}:=
\begin{pmatrix}x_1 + x_2 \\ y_1 + y_2 \\ z_1 + z_2 \end{pmatrix}
\end{equation}\;\;(和)
$$
ただし、和は同じ形状の2つのベクトルにのみ定義されます。
横ベクトル$\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}$、縦ベクトル${}^t\!\begin{pmatrix}x_2 & y_2 & z_2 \end{pmatrix}$に対して、
$$
\begin{equation}
\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}
\begin{pmatrix}x_2 \\ y_2 \\ z_2 \end{pmatrix}:=
x_1 x_2 + y_1 y_2 + z_1 z_2
\end{equation}\;\;(内積)
$$
左側が横ベクトルで右側が縦ベクトルで無ければならず、かつ長さも同じであるベクトルに対して定義されます。
※n次元の複素ベクトルの内積とは異なります。複素ベクトル内積は$\overline{x_1} x_2 + \overline{y_1} y_2 + \overline{z_1} z_2$となります。
例:
$$
\begin{equation*}
3\begin{pmatrix}8 \\ 3 \\ \frac{2}{3} \end{pmatrix}=
\begin{pmatrix}24 \\ 9 \\ 2 \end{pmatrix}
\end{equation*}
$$
$$
\begin{equation*}
\begin{pmatrix}\pi \\ \frac{1}{3} \end{pmatrix}
+
\begin{pmatrix}e - \pi \\ \frac{2}{3} \end{pmatrix}=
\begin{pmatrix}e \\ 1\end{pmatrix}
\end{equation*}
$$
$$
\begin{equation*}
\begin{pmatrix}\sqrt{2} & 2^3 & 0 \end{pmatrix}
\begin{pmatrix}\sqrt{8} \\ 2^4 \\ 1 \end{pmatrix}=
4 + 2^7 + 0 = 132
\end{equation*}
$$
さて、ベクトルについては一段落とし、行列の話に移ります(ベクトルも出てきますが)。n行m列の行列(簡単に(n, m)行列とも呼ぶことにします)とは、mn個の数(実数など体の元)を縦n横mの長方形上に並べたものです。特に、$m=n$の場合は、n次正方行列と呼びます。実は、n行1列の行列はn次元縦ベクトル、1行m列の行列はm次元横ベクトルになっているので、行列はベクトルを一般化したものと見ることもできます。
例:
$$
2行3列の行列
\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix},\;\;
$$
$$
2行2列の行列(2次正方行列)
\begin{pmatrix}
\pi & e^{\pi} \\
\log(2) & \gamma
\end{pmatrix},\;\;
$$
$$
3行1列の行列(3次元縦ベクトル)
\begin{pmatrix}
e+\tau \\ \sigma \\ \sqrt{101}
\end{pmatrix}
$$
ここから、一般の$(n,m)$行列$\begin{pmatrix}
a_{11} & \dots & a_{1m} \\
\vdots & \ddots & \vdots \\
a_{n1} & \dots & a_{nm}
\end{pmatrix}$を$(a_{ij})$$(1\leqq i \leqq n, 1 \leqq j \leqq m)$と表すことにします。次に、行列の演算についてです。行列に次の3つの演算を定義します。
スカラー(数)$b$, $(n,m)$行列$(a_{ij})$に対して、
$$
\begin{equation}
b(a_{ij}):= (ba_{ij})\;\;(スカラー倍)
\end{equation}
$$
2つの同じ形状の行列$(a_{ij})、(b_{ij})$に対して、
$$
\begin{equation}
(a_{ij})+(b_{ij}):= (a_{ij} + b_{ij})\;\;(和)
\end{equation}
$$
$(n,m)$行列$(a_{ij})$、$(m,l)$行列$(b_{jk})$に対して、
$$
\begin{equation}
(a_{ij})(b_{jk}):=
\left(\sum_{j=1}^{m}a_{ij}b_{jk}\right)
\end{equation}\;\;(積)
$$
例:
$$
2\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix}
=
\begin{pmatrix}
2 & 8 & 14 \\
20 & 26 & 32
\end{pmatrix}
$$
$$
\begin{pmatrix}
1 & 3 \\
9 & 0
\end{pmatrix}
+
\begin{pmatrix}
-4 & 7 \\
12 & 5
\end{pmatrix}
=
\begin{pmatrix}
-3 & 10 \\
21 & 5
\end{pmatrix}
$$
\begin{align*}
\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix}
\begin{pmatrix}
4 & 2 \\
1 & 3 \\
5 & 6
\end{pmatrix}
=
\begin{pmatrix}
43 & 56 \\
133 & 155
\end{pmatrix}\\
\end{align*}
\begin{align*}
メモ:
43 &= 1\times 4+4\times 1 + 7\times 5 \\
56 &= 1\times 2+4\times 3 + 7\times 6 \\
133 &= 10\times 4+13\times 1 + 16\times 5 \\
155 &= 10\times 2+13\times 3 + 16\times 6
\end{align*}
行列を扱う重要な方法として、ベクトルを並べたものとして扱う手があります。
例:
$$
A
=
\begin{pmatrix}
1 & 7 \\
8 & 15
\end{pmatrix}
=
\begin{pmatrix}
v_1 & v_2
\end{pmatrix}
=
\begin{pmatrix}
{}^t\!w_1 \\
{}^t\!w_2
\end{pmatrix}
$$
$$
v_1
=
\begin{pmatrix}
1\\
8
\end{pmatrix}
,\;\;
v_2
=
\begin{pmatrix}
7\\
15
\end{pmatrix}
,\;\;
w_1
=
\begin{pmatrix}
1\\
7
\end{pmatrix}
,\;\;
w_2
=
\begin{pmatrix}
8\\
15
\end{pmatrix}
$$
そして、2つの行列$A=\begin{pmatrix}{}^t\!w_1 \\{}^t\!w_2
\end{pmatrix}$、$B=\begin{pmatrix}v_1 & v_2 \end{pmatrix}$に対して、$AB$は次のように計算することができます。
$$
AB
=
\begin{pmatrix}Av_1 & Av_2 \end{pmatrix}
=
\begin{pmatrix}{}^t\!w_{1}B \\{}^t\!w_{2}B\end{pmatrix}
=
\begin{pmatrix}
{}^t\!w_1 v_1 & {}^t\!w_1 v_2 \\
{}^t\!w_2 v_1 & {}^t\!w_2 v_2
\end{pmatrix}
$$
行列の積は複雑ですが、行列をベクトルを並べたものとして考え、ベクトルの内積を用いると見やすくなるのではと思います。
例:
$$
2次元縦ベクトル
\begin{pmatrix}
1 \\
2
\end{pmatrix},\;\;
3次元縦ベクトル
\begin{pmatrix}
\pi \\
e \\
\gamma
\end{pmatrix}
$$
$$
2次元横ベクトル
\begin{pmatrix}
73 & 91
\end{pmatrix},\;\;
3次元横ベクトル
\begin{pmatrix}
e+\tau & \sigma & \sqrt{101}
\end{pmatrix}
$$
ここからは特に断らない限りベクトルと言えば、3次元縦ベクトルのこととします。次に、ベクトルの演算についてです。ベクトルに次の3つの演算を定義します。
スカラー(数)$a$, ベクトル${}^t\!\begin{pmatrix}x & y & z \end{pmatrix}$に対して、
$$
\begin{equation}
a\begin{pmatrix}x \\ y \\ z \end{pmatrix}:=
\begin{pmatrix}ax \\ ay \\ az \end{pmatrix}
\end{equation}\;\;(スカラー倍)
$$
2つのベクトル${}^t\!\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}$、${}^t\!\begin{pmatrix}x_2 & y_2 & z_2 \end{pmatrix}$に対して、
$$
\begin{equation}
\begin{pmatrix}x_1 \\ y_1 \\ z_1 \end{pmatrix}
+
\begin{pmatrix}x_2 \\ y_2 \\ z_2 \end{pmatrix}:=
\begin{pmatrix}x_1 + x_2 \\ y_1 + y_2 \\ z_1 + z_2 \end{pmatrix}
\end{equation}\;\;(和)
$$
ただし、和は同じ形状の2つのベクトルにのみ定義されます。
横ベクトル$\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}$、縦ベクトル${}^t\!\begin{pmatrix}x_2 & y_2 & z_2 \end{pmatrix}$に対して、
$$
\begin{equation}
\begin{pmatrix}x_1 & y_1 & z_1 \end{pmatrix}
\begin{pmatrix}x_2 \\ y_2 \\ z_2 \end{pmatrix}:=
x_1 x_2 + y_1 y_2 + z_1 z_2
\end{equation}\;\;(内積)
$$
左側が横ベクトルで右側が縦ベクトルで無ければならず、かつ長さも同じであるベクトルに対して定義されます。
※n次元の複素ベクトルの内積とは異なります。複素ベクトル内積は$\overline{x_1} x_2 + \overline{y_1} y_2 + \overline{z_1} z_2$となります。
例:
$$
\begin{equation*}
3\begin{pmatrix}8 \\ 3 \\ \frac{2}{3} \end{pmatrix}=
\begin{pmatrix}24 \\ 9 \\ 2 \end{pmatrix}
\end{equation*}
$$
$$
\begin{equation*}
\begin{pmatrix}\pi \\ \frac{1}{3} \end{pmatrix}
+
\begin{pmatrix}e - \pi \\ \frac{2}{3} \end{pmatrix}=
\begin{pmatrix}e \\ 1\end{pmatrix}
\end{equation*}
$$
$$
\begin{equation*}
\begin{pmatrix}\sqrt{2} & 2^3 & 0 \end{pmatrix}
\begin{pmatrix}\sqrt{8} \\ 2^4 \\ 1 \end{pmatrix}=
4 + 2^7 + 0 = 132
\end{equation*}
$$
さて、ベクトルについては一段落とし、行列の話に移ります(ベクトルも出てきますが)。n行m列の行列(簡単に(n, m)行列とも呼ぶことにします)とは、mn個の数(実数など体の元)を縦n横mの長方形上に並べたものです。特に、$m=n$の場合は、n次正方行列と呼びます。実は、n行1列の行列はn次元縦ベクトル、1行m列の行列はm次元横ベクトルになっているので、行列はベクトルを一般化したものと見ることもできます。
例:
$$
2行3列の行列
\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix},\;\;
$$
$$
2行2列の行列(2次正方行列)
\begin{pmatrix}
\pi & e^{\pi} \\
\log(2) & \gamma
\end{pmatrix},\;\;
$$
$$
3行1列の行列(3次元縦ベクトル)
\begin{pmatrix}
e+\tau \\ \sigma \\ \sqrt{101}
\end{pmatrix}
$$
ここから、一般の$(n,m)$行列$\begin{pmatrix}
a_{11} & \dots & a_{1m} \\
\vdots & \ddots & \vdots \\
a_{n1} & \dots & a_{nm}
\end{pmatrix}$を$(a_{ij})$$(1\leqq i \leqq n, 1 \leqq j \leqq m)$と表すことにします。次に、行列の演算についてです。行列に次の3つの演算を定義します。
スカラー(数)$b$, $(n,m)$行列$(a_{ij})$に対して、
$$
\begin{equation}
b(a_{ij}):= (ba_{ij})\;\;(スカラー倍)
\end{equation}
$$
2つの同じ形状の行列$(a_{ij})、(b_{ij})$に対して、
$$
\begin{equation}
(a_{ij})+(b_{ij}):= (a_{ij} + b_{ij})\;\;(和)
\end{equation}
$$
$(n,m)$行列$(a_{ij})$、$(m,l)$行列$(b_{jk})$に対して、
$$
\begin{equation}
(a_{ij})(b_{jk}):=
\left(\sum_{j=1}^{m}a_{ij}b_{jk}\right)
\end{equation}\;\;(積)
$$
例:
$$
2\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix}
=
\begin{pmatrix}
2 & 8 & 14 \\
20 & 26 & 32
\end{pmatrix}
$$
$$
\begin{pmatrix}
1 & 3 \\
9 & 0
\end{pmatrix}
+
\begin{pmatrix}
-4 & 7 \\
12 & 5
\end{pmatrix}
=
\begin{pmatrix}
-3 & 10 \\
21 & 5
\end{pmatrix}
$$
\begin{align*}
\begin{pmatrix}
1 & 4 & 7 \\
10 & 13 & 16
\end{pmatrix}
\begin{pmatrix}
4 & 2 \\
1 & 3 \\
5 & 6
\end{pmatrix}
=
\begin{pmatrix}
43 & 56 \\
133 & 155
\end{pmatrix}\\
\end{align*}
\begin{align*}
メモ:
43 &= 1\times 4+4\times 1 + 7\times 5 \\
56 &= 1\times 2+4\times 3 + 7\times 6 \\
133 &= 10\times 4+13\times 1 + 16\times 5 \\
155 &= 10\times 2+13\times 3 + 16\times 6
\end{align*}
行列を扱う重要な方法として、ベクトルを並べたものとして扱う手があります。
例:
$$
A
=
\begin{pmatrix}
1 & 7 \\
8 & 15
\end{pmatrix}
=
\begin{pmatrix}
v_1 & v_2
\end{pmatrix}
=
\begin{pmatrix}
{}^t\!w_1 \\
{}^t\!w_2
\end{pmatrix}
$$
$$
v_1
=
\begin{pmatrix}
1\\
8
\end{pmatrix}
,\;\;
v_2
=
\begin{pmatrix}
7\\
15
\end{pmatrix}
,\;\;
w_1
=
\begin{pmatrix}
1\\
7
\end{pmatrix}
,\;\;
w_2
=
\begin{pmatrix}
8\\
15
\end{pmatrix}
$$
そして、2つの行列$A=\begin{pmatrix}{}^t\!w_1 \\{}^t\!w_2
\end{pmatrix}$、$B=\begin{pmatrix}v_1 & v_2 \end{pmatrix}$に対して、$AB$は次のように計算することができます。
$$
AB
=
\begin{pmatrix}Av_1 & Av_2 \end{pmatrix}
=
\begin{pmatrix}{}^t\!w_{1}B \\{}^t\!w_{2}B\end{pmatrix}
=
\begin{pmatrix}
{}^t\!w_1 v_1 & {}^t\!w_1 v_2 \\
{}^t\!w_2 v_1 & {}^t\!w_2 v_2
\end{pmatrix}
$$
行列の積は複雑ですが、行列をベクトルを並べたものとして考え、ベクトルの内積を用いると見やすくなるのではと思います。
2019年7月31日水曜日
線形代数 固有値問題 具体例1
次の行列$A$の固有値、固有ベクトルを求め、$A$を対角化します。
$$
A =
\begin{pmatrix}
2 & 1 \\
1 & 2
\end{pmatrix}
$$
$A$の固有値を$\lambda$、固有ベクトルを$v$とすると、
$$
\begin{align*}
Av &= \lambda v \\
(A - \lambda E)v &= 0
\end{align*}
$$
$v\neq 0$とすると、$(A - \lambda E)$は正則でないので、
$$
\begin{align*}
|A - \lambda E| &= 0 \\
\begin{vmatrix}
2- \lambda & 1 \\
1 & 2 - \lambda
\end{vmatrix} &= 0 \\
(2- \lambda)^2 - 1 &= 0 \\
(1- \lambda)(3- \lambda) &= 0
\end{align*}
$$
よって、
$$
\lambda = 1 または 3
$$
となります。$\lambda_1 = 1、\lambda_2 = 3$とし、$\lambda_1$対する固有ベクトルを$v_1={}^t\!\begin{pmatrix}x_1 & y_1\end{pmatrix}$、$\lambda_2$対する固有ベクトルを$v_2={}^t\!\begin{pmatrix}x_2 & y_2\end{pmatrix}$とします。$v_1$を求めることにすると、
\begin{align*}
(A - \lambda_1 E)v_1 &= 0 \\
\begin{pmatrix}
1 & 1 \\
1 & 1
\end{pmatrix}
\begin{pmatrix}
x_1 \\
y_1
\end{pmatrix}
&=
\begin{pmatrix}
0 \\
0
\end{pmatrix}
\end{align*}
これを満たす$v_1$として、
$$
v_1
=
\begin{pmatrix}
1 \\
-1
\end{pmatrix}
$$
を取ります。次に、$v_2$を求めることにすると、
\begin{align*}
(A - \lambda_2 E)v_2 &= 0 \\
\begin{pmatrix}
-1 & 1 \\
1 & -1
\end{pmatrix}
\begin{pmatrix}
x_2 \\
y_2
\end{pmatrix}
&=
\begin{pmatrix}
0 \\
0
\end{pmatrix}
\end{align*}
これを満たす$v_2$として、
$$
v_2
=
\begin{pmatrix}
1 \\
1
\end{pmatrix}
$$
を取ります。よって、$A$の2つ持つ固有値と固有ベクトルの組として、
$$
(1, \begin{pmatrix}1 \\ -1\end{pmatrix}), (3, \begin{pmatrix}1 \\ 1\end{pmatrix})
$$
が取れます。$P=\begin{pmatrix}v_1 & v_2 \end{pmatrix}$とおいて、Aを対角化すると、
\begin{align*}
AP &= A\begin{pmatrix}v_1 & v_2 \end{pmatrix} \\
&= \begin{pmatrix}Av_1 & Av_2 \end{pmatrix} \\
&= \begin{pmatrix}1v_1 & 3v_2 \end{pmatrix} \\
&= \begin{pmatrix}v_1 & v_2 \end{pmatrix}
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix} \\
&= P
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix} \\
A &= P
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix}
P^{-1} \\
\begin{pmatrix}
2 & 1 \\
1 & 2
\end{pmatrix}
&=
\begin{pmatrix}
1 & 1 \\
-1 & 1
\end{pmatrix}
\begin{pmatrix}
1 & 0 \\
0 & 3
\end{pmatrix}
\begin{pmatrix}
1 & 1 \\
-1 & 1
\end{pmatrix}^{-1}
\end{align*}
となります。
$$
A =
\begin{pmatrix}
2 & 1 \\
1 & 2
\end{pmatrix}
$$
$A$の固有値を$\lambda$、固有ベクトルを$v$とすると、
$$
\begin{align*}
Av &= \lambda v \\
(A - \lambda E)v &= 0
\end{align*}
$$
$v\neq 0$とすると、$(A - \lambda E)$は正則でないので、
$$
\begin{align*}
|A - \lambda E| &= 0 \\
\begin{vmatrix}
2- \lambda & 1 \\
1 & 2 - \lambda
\end{vmatrix} &= 0 \\
(2- \lambda)^2 - 1 &= 0 \\
(1- \lambda)(3- \lambda) &= 0
\end{align*}
$$
よって、
$$
\lambda = 1 または 3
$$
となります。$\lambda_1 = 1、\lambda_2 = 3$とし、$\lambda_1$対する固有ベクトルを$v_1={}^t\!\begin{pmatrix}x_1 & y_1\end{pmatrix}$、$\lambda_2$対する固有ベクトルを$v_2={}^t\!\begin{pmatrix}x_2 & y_2\end{pmatrix}$とします。$v_1$を求めることにすると、
\begin{align*}
(A - \lambda_1 E)v_1 &= 0 \\
\begin{pmatrix}
1 & 1 \\
1 & 1
\end{pmatrix}
\begin{pmatrix}
x_1 \\
y_1
\end{pmatrix}
&=
\begin{pmatrix}
0 \\
0
\end{pmatrix}
\end{align*}
これを満たす$v_1$として、
$$
v_1
=
\begin{pmatrix}
1 \\
-1
\end{pmatrix}
$$
を取ります。次に、$v_2$を求めることにすると、
\begin{align*}
(A - \lambda_2 E)v_2 &= 0 \\
\begin{pmatrix}
-1 & 1 \\
1 & -1
\end{pmatrix}
\begin{pmatrix}
x_2 \\
y_2
\end{pmatrix}
&=
\begin{pmatrix}
0 \\
0
\end{pmatrix}
\end{align*}
これを満たす$v_2$として、
$$
v_2
=
\begin{pmatrix}
1 \\
1
\end{pmatrix}
$$
を取ります。よって、$A$の2つ持つ固有値と固有ベクトルの組として、
$$
(1, \begin{pmatrix}1 \\ -1\end{pmatrix}), (3, \begin{pmatrix}1 \\ 1\end{pmatrix})
$$
が取れます。$P=\begin{pmatrix}v_1 & v_2 \end{pmatrix}$とおいて、Aを対角化すると、
\begin{align*}
AP &= A\begin{pmatrix}v_1 & v_2 \end{pmatrix} \\
&= \begin{pmatrix}Av_1 & Av_2 \end{pmatrix} \\
&= \begin{pmatrix}1v_1 & 3v_2 \end{pmatrix} \\
&= \begin{pmatrix}v_1 & v_2 \end{pmatrix}
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix} \\
&= P
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix} \\
A &= P
\begin{pmatrix}1 & 0 \\
0 & 3
\end{pmatrix}
P^{-1} \\
\begin{pmatrix}
2 & 1 \\
1 & 2
\end{pmatrix}
&=
\begin{pmatrix}
1 & 1 \\
-1 & 1
\end{pmatrix}
\begin{pmatrix}
1 & 0 \\
0 & 3
\end{pmatrix}
\begin{pmatrix}
1 & 1 \\
-1 & 1
\end{pmatrix}^{-1}
\end{align*}
となります。
2019年5月19日日曜日
線形代数 対角化と固有値問題
メモ:徐々に色々書き足す予定
正方行列の対角化についてです。
対角化とは、$n$次正方行列$A$を次のように表すことを言います。
\begin{align*}
A = PDP^{-1}
\end{align*}
ここで$P$は正則行列($P^{-1}$はその逆行列)、$D$は対角行列で、
$$
D =
\begin{pmatrix}
\lambda_{1} & &\\
& \ddots & \\
& & \lambda_{n}
\end{pmatrix}
$$
です。
例
\begin{align*}
&\begin{pmatrix}
5 &4 \\
-8 &-7
\end{pmatrix}
=
\begin{pmatrix}
1 &-1 \\
-1 &2
\end{pmatrix}
\begin{pmatrix}
1 &0\\
0 &-3
\end{pmatrix}
\begin{pmatrix}
1 &-1 \\
-1 &2
\end{pmatrix}^{-1}
\\
&\begin{pmatrix}
2 &3 &3\\
3 &2 &3 \\
3 &3 &2
\end{pmatrix}
=
\\
&\begin{pmatrix}
1 &1 &1\\
-1 &0 &1 \\
0 &-1 &1
\end{pmatrix}
\begin{pmatrix}
-1 &0 &0\\
0 &-1 &0 \\
0 &0 &8
\end{pmatrix}
\begin{pmatrix}
1 &1 &1\\
-1 &0 &1 \\
0 &-1 &1
\end{pmatrix}^{-1}
\end{align*}
どのような$A$でも、対角化できるわけではありません(条件などについては、今のところ触れないでおくことにします)。
対角化には、次の利点があります。
・$A^m(m\in\mathbb{N})$が簡単に求められる。
例
\begin{align*}
A^{4}
&= (PDP^{-1})(PDP^{-1})(PDP^{-1})(PDP^{-1}) \\
&= PD(P^{-1}P)D(P^{-1}P)D(P^{-1}P)DP^{-1} \\
&= PDDDDP^{-1} \\
&= PD^{4}P^{-1}
\end{align*}
そして、
\begin{align*}
D^4 &=
\begin{pmatrix}
\lambda_{1} & &\\
& \ddots & \\
& & \lambda_{n}
\end{pmatrix}^{4}\\
&=
\begin{pmatrix}
\lambda_{1}^{4} & &\\
& \ddots & \\
& & \lambda_{n}^{4}
\end{pmatrix}
\end{align*}
となり、簡単に計算できます。
メモ:ここはもっと増やしたい。よく使う記号を他の記事でまとめる。
さて、ここからは$A$を3行3列の行列とし、$P$を縦ベクトルを三本($v_1, v_2, v_3$)並べたものと見て、
$$
P=
\begin{pmatrix}
v_1 &v_2 &v_3
\end{pmatrix}
$$
$$
v_1 =
\begin{pmatrix}
x_1 \\
y_1 \\
z_1
\end{pmatrix}, \;\;\;
v_2 =
\begin{pmatrix}
x_2 \\
y_2 \\
z_2
\end{pmatrix}, \;\;\;
v_3 =
\begin{pmatrix}
x_3 \\
y_3 \\
z_3
\end{pmatrix}
$$
とします。すると、
\begin{align*}
A &= PDP^{-1} \\
AP &= PD \\
A\begin{pmatrix}v_1 &v_2 &v_3\end{pmatrix} &=
\begin{pmatrix}
x_1 &x_2 & x_3 \\
y_1 &y_2 & y_3 \\
z_1 &z_2 & z_3
\end{pmatrix}
\begin{pmatrix}
\lambda_{1} & &\\
& \lambda_{2} & \\
& & \lambda_{3}
\end{pmatrix} \\
\begin{pmatrix}Av_1 &Av_2 &Av_3\end{pmatrix} &=
\begin{pmatrix}
\lambda_{1}x_1 &\lambda_{2}x_2 & \lambda_{3}x_3 \\
\lambda_{1}y_1 &\lambda_{2}y_2 & \lambda_{3}y_3 \\
\lambda_{1}z_1 &\lambda_{2}z_2 & \lambda_{3}z_3
\end{pmatrix} \\
\begin{pmatrix}Av_1 &Av_2 &Av_3\end{pmatrix}
&=
\begin{pmatrix}
\lambda_{1}v_1&
\lambda_{2}v_2&
\lambda_{3}v_3
\end{pmatrix}
\end{align*}
より、
\begin{align*}
Av_i=\lambda_{i}v_i\;\;\;(i = 1,2,3)
\end{align*}
を満たします。一般に、正方行列$A$に対して、
\begin{align}
Av=\lambda v
\end{align}
を満たす組$(\lambda, v)$を求める問題を固有値問題と呼びます。
$\lambda$を固有値、$v$を固有ベクトルと呼びます。
つまり、$A$の固有値と固有ベクトルを求めることができれば、(基本的に)$A$を対角化することができます。
固有値問題の解き方について見ていきます。
$(1)$を変形すると、
\begin{align*}
Av - \lambda v &= 0 \;\;\;(0:零ベクトル)\\
Av - \lambda E v&=0\;\;\;(E:単位行列)\\
(A - \lambda E)v &= 0
\end{align*}
と表せます。もし、$A - \lambda E$の逆行列が存在すると、$v=0$となる自明な解しか求められません。なので、$(A - \lambda E)^{-1}$は存在しないとします。すると、$(A - \lambda E)^{-1}$が存在しないならば、$|A - \lambda E|=0$を満たします。
つまり、
\begin{align*}
|A - \lambda E|=0
\end{align*}
を解くことにより、固有値$\lambda$を求めることができます。
後は、各固有値$\lambda$に対して、$(1)$を解くことで対応する固有ベクトルを求めることができます。
計算例1
正方行列の対角化についてです。
対角化とは、$n$次正方行列$A$を次のように表すことを言います。
\begin{align*}
A = PDP^{-1}
\end{align*}
ここで$P$は正則行列($P^{-1}$はその逆行列)、$D$は対角行列で、
$$
D =
\begin{pmatrix}
\lambda_{1} & &\\
& \ddots & \\
& & \lambda_{n}
\end{pmatrix}
$$
です。
例
\begin{align*}
&\begin{pmatrix}
5 &4 \\
-8 &-7
\end{pmatrix}
=
\begin{pmatrix}
1 &-1 \\
-1 &2
\end{pmatrix}
\begin{pmatrix}
1 &0\\
0 &-3
\end{pmatrix}
\begin{pmatrix}
1 &-1 \\
-1 &2
\end{pmatrix}^{-1}
\\
&\begin{pmatrix}
2 &3 &3\\
3 &2 &3 \\
3 &3 &2
\end{pmatrix}
=
\\
&\begin{pmatrix}
1 &1 &1\\
-1 &0 &1 \\
0 &-1 &1
\end{pmatrix}
\begin{pmatrix}
-1 &0 &0\\
0 &-1 &0 \\
0 &0 &8
\end{pmatrix}
\begin{pmatrix}
1 &1 &1\\
-1 &0 &1 \\
0 &-1 &1
\end{pmatrix}^{-1}
\end{align*}
どのような$A$でも、対角化できるわけではありません(条件などについては、今のところ触れないでおくことにします)。
対角化には、次の利点があります。
・$A^m(m\in\mathbb{N})$が簡単に求められる。
例
\begin{align*}
A^{4}
&= (PDP^{-1})(PDP^{-1})(PDP^{-1})(PDP^{-1}) \\
&= PD(P^{-1}P)D(P^{-1}P)D(P^{-1}P)DP^{-1} \\
&= PDDDDP^{-1} \\
&= PD^{4}P^{-1}
\end{align*}
そして、
\begin{align*}
D^4 &=
\begin{pmatrix}
\lambda_{1} & &\\
& \ddots & \\
& & \lambda_{n}
\end{pmatrix}^{4}\\
&=
\begin{pmatrix}
\lambda_{1}^{4} & &\\
& \ddots & \\
& & \lambda_{n}^{4}
\end{pmatrix}
\end{align*}
となり、簡単に計算できます。
メモ:ここはもっと増やしたい。よく使う記号を他の記事でまとめる。
さて、ここからは$A$を3行3列の行列とし、$P$を縦ベクトルを三本($v_1, v_2, v_3$)並べたものと見て、
$$
P=
\begin{pmatrix}
v_1 &v_2 &v_3
\end{pmatrix}
$$
$$
v_1 =
\begin{pmatrix}
x_1 \\
y_1 \\
z_1
\end{pmatrix}, \;\;\;
v_2 =
\begin{pmatrix}
x_2 \\
y_2 \\
z_2
\end{pmatrix}, \;\;\;
v_3 =
\begin{pmatrix}
x_3 \\
y_3 \\
z_3
\end{pmatrix}
$$
とします。すると、
\begin{align*}
A &= PDP^{-1} \\
AP &= PD \\
A\begin{pmatrix}v_1 &v_2 &v_3\end{pmatrix} &=
\begin{pmatrix}
x_1 &x_2 & x_3 \\
y_1 &y_2 & y_3 \\
z_1 &z_2 & z_3
\end{pmatrix}
\begin{pmatrix}
\lambda_{1} & &\\
& \lambda_{2} & \\
& & \lambda_{3}
\end{pmatrix} \\
\begin{pmatrix}Av_1 &Av_2 &Av_3\end{pmatrix} &=
\begin{pmatrix}
\lambda_{1}x_1 &\lambda_{2}x_2 & \lambda_{3}x_3 \\
\lambda_{1}y_1 &\lambda_{2}y_2 & \lambda_{3}y_3 \\
\lambda_{1}z_1 &\lambda_{2}z_2 & \lambda_{3}z_3
\end{pmatrix} \\
\begin{pmatrix}Av_1 &Av_2 &Av_3\end{pmatrix}
&=
\begin{pmatrix}
\lambda_{1}v_1&
\lambda_{2}v_2&
\lambda_{3}v_3
\end{pmatrix}
\end{align*}
より、
\begin{align*}
Av_i=\lambda_{i}v_i\;\;\;(i = 1,2,3)
\end{align*}
を満たします。一般に、正方行列$A$に対して、
\begin{align}
Av=\lambda v
\end{align}
を満たす組$(\lambda, v)$を求める問題を固有値問題と呼びます。
$\lambda$を固有値、$v$を固有ベクトルと呼びます。
つまり、$A$の固有値と固有ベクトルを求めることができれば、(基本的に)$A$を対角化することができます。
固有値問題の解き方について見ていきます。
$(1)$を変形すると、
\begin{align*}
Av - \lambda v &= 0 \;\;\;(0:零ベクトル)\\
Av - \lambda E v&=0\;\;\;(E:単位行列)\\
(A - \lambda E)v &= 0
\end{align*}
と表せます。もし、$A - \lambda E$の逆行列が存在すると、$v=0$となる自明な解しか求められません。なので、$(A - \lambda E)^{-1}$は存在しないとします。すると、$(A - \lambda E)^{-1}$が存在しないならば、$|A - \lambda E|=0$を満たします。
つまり、
\begin{align*}
|A - \lambda E|=0
\end{align*}
を解くことにより、固有値$\lambda$を求めることができます。
後は、各固有値$\lambda$に対して、$(1)$を解くことで対応する固有ベクトルを求めることができます。
計算例1
登録:
投稿 (Atom)