EEngineering Mathematics Ingineering Mathematics I
Prof. Dr. Yong-Su Na g(32-206, [email protected], Tel. 880-7204)
Text book: Erwin Kreyszig, Advanced Engineering Mathematics,
9th Edition, Wiley (2006)
Ch. 8 Linear Algebra: Matrix Ch. 8 Linear Algebra: Matrix EigenvalueEigenvalueCh. 8 Linear Algebra: Matrix Ch. 8 Linear Algebra: Matrix EigenvalueEigenvalueProblemsProblems
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 EigenvalueEigenvalueProblemsProblems ((선형대수학선형대수학: : 행렬의행렬의 고유값고유값 문제문제))
내용 : 고유값 문제, 여러 가지 행렬, 대각화를 통한 문제 해결법
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Eigenvalues, Eigenvector
를 스칼라 존재하면 가 벡터 이닌 이 인 만약 때, 행렬일 가 x0xAxA λλ=×nn
.r(Eigenvecto Eigenvalue
한다 라 의 대응하는 에 벡터는 모든
아닌 이 인 고유값이면, 의 가 한다. 라( 의
고유벡터)
고유값)
A0xAxAA
λλλ =
고유값과 고유벡터를 구하는 방법
( )( )
( ) ( ) ( ) 고유값의가해인의특성방정식
계수행렬식 필요충분조건 가질 해를 않는 자명하지 인
제차선형연립방정식
AIA0x
0xI-AxAx
λλ
λλ
0d0
: =⇒≠⇒
=⇒=
λD
( ) tdeterminan sticCharacteri :λD
( ) ( ) ( ) 고유값의가해인의특성방정식 AIA λλ 0det =−=⇒ λD
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 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 iEx. 1 Illustrate all the steps in terms of the matrix
⎥⎦
⎤⎢⎣
⎡−=
2225
A
Step 1 Eigenvalues
⎦⎣ − 22
2225
2
1
2
1AxxAxxx
xx
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡−
−=⇒= λλ
( )( ) 022
025
2225
21
21
221
121
xxxx-λ-
xxxxxx-
=−−+=+
⇒=−=+
⇒λλ
λ
( ) ( ) ( )( ) 0674252225
det 2IAD =++=−−−−−=−−
−−=−= λλλλ
λλ
λλ
( ) 61 고유값 의A-, λλ =−=⇒
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Step 2 Eigenvectors
1−=λ( ) 025 21 =+ xx-λ- 024 21 =+− xx
⎤⎡1고유벡터는
11 =x
( ) 022 21 =−−+ xx λ 02 21 =− xx
⎥⎦
⎤⎢⎣
⎡=
2x고유벡터는
112 2xx =
6−=λ( )( )
022025
21
21
=−−+=+
xxxx-λ-λ 042
02
21
21
=+=+
xxxx
⎥⎦
⎤⎢⎣
⎡−
=1
2x 고유벡터는
21 =x2
12
xx −=
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
EigenvaluesEigenvalues
가진다고유값을다른서로개의많아야이상하나적어도행렬은따라서
근이다. 특성방정식의 의 고유값들은 의 정방행렬 AA
Eigenvectors, Eigenspace
가진다.고유값을다른서로개의많아야이상,하나적어도행렬은 따라서 nnn ×
( )
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
wxxwAxw
kk ≠
≠+
( )이라한다.
해당되는 에 고유값 이것을이루며, 벡터공간을 하나의 함께 벡터와 들은
Eigenspace
고유공간λ0
Eigenvalues of the Transpose
( )이라한다.Eigenspace
갖는다. 고유값을 같은 와 행렬 는 전치 의 정방행렬 AAA T
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Ex. 2 Find the eigenvalues and eigenvectors of⎥⎤
⎢⎡ −− 322Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎥⎥
⎦⎢⎢⎢
⎣ −−−=021612A
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Ex. 2 Find the eigenvalues and eigenvectors of⎥⎤
⎢⎡ −− 322Ex. 2 Find the eigenvalues and eigenvectors of
⎥⎥⎥
⎦⎢⎢⎢
⎣ −−−=021612A
Characteristic equation: Eigenvalues: 0452123 =++−− λλλ ( )이중근3 ,5 −== λλ
= 5 특성행렬 대한 에λ⎤⎡ −− 327 ⎤⎡1
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−−−
=−521642327
5IA
행을 간략화
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−
000748
7240
32713 −=x
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
121
- 고유벡터는
⎥⎦⎢⎣ −−− 521
−= 3 특성행렬 대한 에λ⎤⎡ 321
0 ,1 32 == xx
⎥⎥⎥⎤
⎢⎢⎢⎡−
12
고유벡터는
⎥⎥⎥⎤
⎢⎢⎢⎡
−−
=+ 642321
3IA
행을 간략화
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −
000000321 ⎥⎦⎢⎣ 0
⎥⎥⎤
⎢⎢⎡03
고유벡터는⎥⎥⎦⎢
⎢⎣ −− 321
⎥⎥⎦⎢
⎢⎣10고유벡터는
1 ,0 32 == xx
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Algebraic Multiplicity (대수적 다중도):Algebraic Multiplicity (대수적 다중도):
Characteristic polynomial(특성다항식)의 근으로서 고유값의 차수
Geometric Multiplicity (기하적 다중도):p y
고유값에 대응하는 일차독립인 고유벡터의 수
Defect (부족지수):
대수적 다중도와 기하적 다중도의 차
Ex. 3 ⎥⎤
⎢⎡
⎥⎤
⎢⎡
=2310
AEx. 3 ⎥⎦
⎢⎣
⎥⎦
⎢⎣
=30
,00
A
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
Algebraic Multiplicity (대수적 다중도):Algebraic Multiplicity (대수적 다중도):
Characteristic polynomial(특성다항식)의 근으로서 고유값의 차수
Geometric Multiplicity (기하적 다중도):p y
고유값에 대응하는 일차독립인 고유벡터의 수
Defect (부족지수):
대수적 다중도와 기하적 다중도의 차
Ex. 3 ⎥⎤
⎢⎡
⎥⎤
⎢⎡
=2310
AEx. 3 ⎥⎦
⎢⎣
⎥⎦
⎢⎣
=30
,00
A
( ) :고유벡터이중근:고유값:특성방정식 ⎥⎤
⎢⎡
⇒=⇒==1
300)-(30 22 λλλ ( )
1:다중도기하적
2: 다중도 대수적
:고유벡터이중근:고유값: 특성방정식 ⎥⎦
⎢⎣
⇒=⇒==0
3 ,0 0)-(3 ,0 λλλ
1: 부족지수
1: 다중도 기하적
88.1 .1 EigenvaluesEigenvalues, Eigenvectors , Eigenvectors 88 ge a uesge a ues, ge ec o s, ge ec o s((고유값고유값, , 고유벡터고유벡터))
PROBLEM SET 8.1
HW 24HW: 24
88.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue88 So e pp ca o s oSo e pp ca o s o ge a uege a ueProblems 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 21212
22
1 가점당겨잡아탄성막을있는평면상에갖는을원경계로서 xxPxxxx =+
( ) ( )Di iP i il
5335
5335
212
211
2
1
2
1
의위치벡터의즉경우이한다가도록로점표현된로
성분식으로또는Axy
xxyxxy
xx
yy
주방향
+=+=
⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡==⎥
⎦
⎤⎢⎣
⎡=
( ) ( )
,DirectionsPrincilpe . , 21
방향을의위치벡터되는방향이정반대또는방향같은방향과의위치벡터의방향이
의위치벡터의즉경우이한다가도록로점표현된로
xx
y
P
QxxQ 주방향
. . 살펴보라취하는지꼴을어떤경계원은변형하에서이런구하라
( ) ==⇒==−
28:09535
: 2 고유값특성방정식 λλλλ ( )
⎥⎤
⎢⎡
==⎥⎤
⎢⎡
==
==⇒=−−=−
12
18
2 8,: 09553
:
xx 고유벡터는때일고유벡터는때일
고유값특성방정식
λλ
λλλλ
⎥⎦
⎢⎣−
⎥⎦
⎢⎣ 1
,2 ,1
,8 xx 고유벡터는때일고유벡터는때일 λλ
88.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue88 So e pp ca o s oSo e pp ca o s o ge a uege a ueProblems Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
2 8 ) ( 135 45 : 1
팽창만큼과각각주방향으로
방향고유벡터의방향이루는각을의와방향과축양의주방향
∗
x
)( 128
sin2 ,cos8 :
2
22
2
21
21
타원
좌표계새로운
=+∴
==⇒
zz
zz φφ
28
88.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue88 So e pp ca o s oSo e pp ca o s o ge a uege a ueProblems Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
E 2 Ei l P bl A i i f M k PEx. 2 Eigenvalue Problems Arising from Markov Processes
, Markov
는행렬확률따라서된다문제가고유값경우의다룰문제를극한상태같은와즉
되는값이자신의때곱해질와확률행렬결정짓는공정을가상태벡터과정에서
AA
Ax
. , 1
. ,
되는갖게관심을문제의이러한된다고유벡터가해당되는이에는되며갖게을고유값
는행렬확률따라서된다문제가고유값경우의다룰문제를극한상태같은와즉
x
AxAx =
. Markov 때문이다주기설명해모델을장기과정이이런이유는
88.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue88 So e pp ca o s oSo e pp ca o s o ge a uege a ueProblems Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
E 2 Ei l P bl A i i f M k PEx. 2 Eigenvalue Problems Arising from Markov Processes
, Markov
는행렬확률따라서된다문제가고유값경우의다룰문제를극한상태같은와즉
되는값이자신의때곱해질와확률행렬결정짓는공정을가상태벡터과정에서
AA
Ax
. , 1
. ,
되는갖게관심을문제의이러한된다고유벡터가해당되는이에는되며갖게을고유값
는행렬확률따라서된다문제가고유값경우의다룰문제를극한상태같은와즉
x
AxAx =
. Markov 때문이다주기설명해모델을장기과정이이런이유는
111.02.07.0101.07.0⎥⎤
⎢⎡
⎥⎤
⎢⎡⎥⎤
⎢⎡
⎥⎤
⎢⎡
⎥⎤
⎢⎡
7.2 Ex. 13
1 : 1 : 11
11
8.02.0009.01.0
11
8.001.02.09.02.0 고유값의고유값의 AAAA ⇒⇒
⎥⎥⎥
⎦⎢⎢⎢
⎣
=⎥⎥⎥
⎦⎢⎢⎢
⎣⎥⎥⎥
⎦⎢⎢⎢
⎣
=⎥⎥⎥
⎦⎢⎢⎢
⎣
⇒⎥⎥⎥
⎦⎢⎢⎢
⎣
= TT
⎤⎡2
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡==
162
, 1 x고유벡터는때일λ
의미접근함을로비율이거주지역의공업상업하에가정않는다는변하지가확률행렬 1:6:2 : : A
88.2 Some Applications of .2 Some Applications of EigenvalueEigenvalue88 So e pp ca o s oSo e pp ca o s o ge a uege a ueProblems Problems ((고유값고유값 문제의문제의 몇몇 가지가지 응용응용))
PROBLEM SET 8.2
HW 17HW: 17
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
Square matrix (정방행렬) 에 대하여
• Symmetric:
[ ]jka=A
AA =T
• Skew-Symmetric:
• Orthogonal:
AA −=T
1−= AAT
실수 정방행렬 A는 대칭행렬 R과 반대칭행렬 S의 합으로 표현할 수 있다.
( ) ( )TT AASAAR =+=11 ( ) ( )AASAAR −=+=2
,2
Ex. 2
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−−
+⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=+=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−=
006510.605.15.15.10
0302530.20.35.3
5.35.30.9
345832
259SRA
⎥⎦⎢⎣⎥⎦⎢⎣⎥⎦⎢⎣ 00.65.10.30.25.3345
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
Square matrix (정방행렬) 에 대하여
• Symmetric:
[ ]jka=A
AA =T
• Skew-Symmetric:
• Orthogonal:
AA −=T
1−= AAT
실수 정방행렬 A는 대칭행렬 R과 반대칭행렬 S의 합으로 표현할 수 있다.
( ) ( )TT AASAAR =+=11 ( ) ( )AASAAR −=+=2
,2
Ex. 2
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−−−
+⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=+=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−=
006510.605.15.15.10
0302530.20.35.3
5.35.30.9
345832
259SRA
⎥⎦⎢⎣⎥⎦⎢⎣⎥⎦⎢⎣ 00.65.10.30.25.3345
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
Eigenvalues of Symmetric and Skew-Symmetric Matrices (8.5)Eigenvalues of Symmetric and Skew Symmetric Matrices (8.5)
• 대칭행렬의 고유값은 실수이다. (8.2 Ex. 1)
• 반대칭행렬의 고유값은 순 허수이거나 영이다.ii 25 ,25 ,0
0201220091290
−⇒⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−
Orthogonal Transformation (직교변환): ( )직교행렬 는AAxy =
Ex. 각도 만큼 평면회전은 직교변환이다. θ각 만큼 평면회전은 직 변환이다θ
⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡ −=⎥
⎦
⎤⎢⎣
⎡=
2
1
2
1
cossinsincos
xx
yy
θθθθ
y
내적값
⎦⎣⎦⎣⎦⎣ 22y
[ ] ( )2
1
T bb
⎥⎥⎤
⎢⎢⎡
내적값 [ ] ( )b a,baba 221 벡터임의의 의n
n
nT R
b
baaa
⎥⎥⎥
⎦⎢⎢⎢
⎣
==•
길이 또는 노름(Norm) : aaaaa T=•=
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
Invariance of Inner Product
직교변환은 벡터의 내적값을 보존한다.
또한 벡터의 길이 또는 노름(norm)도 보존한다.
Orthonormality of Column and Row Vectors
ab b,abaIbaAbAaAb(Aa)vuvu TTTTTT =•======•
Orthonormality of Column and Row Vectors
실수 정방행렬이 직교일 필요충분조건은 열벡터 (또한 행벡터들)이
정규직교계(Orthonormal System)를 형성하는 것이다. naa , ,1
( )( )⎩
⎨⎧
=≠
==•kjkj
kT
jkj 1 0
aaaa
[ ]
aaaaaa
aaaaa
AAAAI
nT
2T
1T
n21
T
T
T1-
111
2
1
⎥⎥⎥⎥⎤
⎢⎢⎢⎢⎡
=⎥⎥⎥⎥⎤
⎢⎢⎢⎢⎡
===
aaaaaaa nT
2T
1TT
nnnn ⎥⎥⎥
⎦⎢⎢⎢
⎣⎥⎥⎥
⎦⎢⎢⎢
⎣
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
Determinant of an Orthogonal Matrix
직교행렬의 행렬식의 값은 +1 또는 -1이다.
2TT-1 A)(det Adet A det )(AAdet )(AAdet Idet 1 =====
Eigenvalues of an Orthogonal Matrix
)()()(
Eigenvalues of an Orthogonal Matrix
직교행렬의 고유값은 실수 또는 공액복소수이고 절대값은 1이다.
212 ⎤⎡
6/)11(5 ,6/)11(5 1,- 31
32
32
32
31
32
ii −+⇒⎥⎥⎥⎥⎤
⎢⎢⎢⎢⎡
− )()(
32
32
31
333
⎥⎥⎥
⎦⎢⎢⎢
⎣−
88.3 S.3 Symmetricymmetric, Skew, Skew--Symmetric, andSymmetric, andyy ,, y ,y ,Orthogonal MatricesOrthogonal Matrices ((대칭대칭, , 반대칭반대칭, , 직교행렬직교행렬))
PROBLEM SET 8.3
HW 3 18HW: 3, 18
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
Basis of EigenvectorsBasis of Eigenvectors
된다. 기저가 의 은 , , 고유벡터 의 행렬 이
, 가지면 고유값을 다른 서로 개의 가 행렬 만일n
n Rnnn
xxAA
1
×
n1
nn
nn
cccccc
)xxxA(Axyxxx x
2211
2211
+++==+++=
nnn
nn
nn
cccccc
xxx AxAxAx
)(y
222111
2211
2211
λλλ +++=+++=
Symmetric Matrices
대칭행렬은 고유벡터로 구성된 정규직교 기저를 갖는다.대칭행렬은 고유벡터로 구성된 정규직교 기저를 갖는다.
⎥⎤
⎢⎡ 35
⎥⎥⎥⎤
⎢⎢⎢⎡
⎥⎥⎥⎤
⎢⎢⎢⎡
12
1
,12
1
⎥⎦
⎢⎣ 53 ⎥
⎥⎦⎢
⎢⎣−
⎥⎥⎦⎢
⎢⎣ 2
12
1
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
Similarity Transformation (상사변환)Similarity Transformation (상사변환)
( )PAPPA ˆ 1 정칙행렬nn×= −
Eigenvalues and Eigenvectors of Similar Matrices
갖는다. 고유값을 같은 와 는 상사이면 에 가 AAAA ˆˆ
된다. 고유벡터가 의 대응되는 고유값에 같은 는 고유벡터이면 의 가 AxPyAx ˆ1−=
xPx)(PAxAPPPAIxPAxP 111111 −−−−−− ==== λ
Diagonalization of a Matrix (행렬의 대각화)
Ann× 가지면 기저를 고유벡터의 가 행렬 만일 ⎤⎡
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡=
03ˆ
4131
X ,1-43-6
A
XAAXXD 1 −=
행렬이다.하는열벡터로고유벡터들을이들 는 여기서
된다. 원소가 주대각선의 고유값들이 의 되고, 대각행렬이 는
⎥⎦
⎤⎢⎣
⎡=⇒
2003
A
XAXD mm 1−= 또한
행렬이다하는열벡터유벡터들을이들는여기서
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
E 4 Di liEx. 4 Diagonalize
⎥⎥⎤
⎢⎢⎡ −
55015117.32.03.7
A⎥⎥⎥
⎦⎢⎢⎢
⎣ −−=
3.98.17.175.50.15.11A
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
E 4 Di liEx. 4 Diagonalize
⎥⎥⎤
⎢⎢⎡ −
55015117.32.03.7
A⎥⎥⎥
⎦⎢⎢⎢
⎣ −−=
3.98.17.175.50.15.11A
⎥⎥⎤
⎢⎢⎡
−−−
=⎥⎥⎤
⎢⎢⎡
−−
=⇒⎥⎥⎤
⎢⎢⎡
⎥⎥⎤
⎢⎢⎡
⎥⎥⎤
⎢⎢⎡
⇒
===⇒=+−
− 7.02.03.13.02.07.0
,113211
12
11
31
043 012
1
23
XX,-,-
, λ-, λλ
:고유벡터
: 고유값- : 특성방정식 λλλ
⎥⎥⎦⎢
⎢⎣ −⎥
⎥⎦⎢
⎢⎣−
⇒⎥⎥⎦⎢
⎢⎣⎥
⎥⎦⎢
⎢⎣⎥
⎥⎦⎢
⎢⎣
⇒2.02.08.0
7.02.03.1 ,431113
41
31
13 XX, , -
고유벡터
⎤⎡⎤⎡⎤⎡ 003043302070
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−−
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−−
−== −
000040003
0123049043
2.02.08.07.02.03.13.02.07.0
1AXXD
⎦⎣⎦⎣⎦⎣
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
Quadratic Forms (2차 형식). Transformation to Principal Axes (주축으로의 변환)Quadratic Forms (2차 형식). Transformation to Principal Axes (주축으로의 변환)
1 11 : 2
n
j
n
kkjjk
Tn xxaQ, x, x == ∑∑
= =
Axxx 차형식구성된으로성분의벡터
222
2221221
1121122
111
nn
nn
xxaxaxxa
xxaxxaxa
++++
+++=
XDXXDXA T-1 ==
22211
nnnnnnn xaxxaxxa ++++
+
Xy) xy,x(XDyyxXDXxAxxQ
XDXXDXA
T
TTTT
==
===
Principal Axes Theorem (주축정리)
치환 에 의하여 2차 형식은 주축형식 또는 표준형으로 변환될 수 있다.
형222T
Xyx =
고유값의대칭행렬행렬
표준형
)( : , , ,
:
21
2222
211
n
nnT yyyQ
A
Dyy
λλλ
λλλ +++==
직교행렬하는열벡터로을고유벡터대응하는고유값에 , , , : 21 nxxxX
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
Ex. 5 Quadratic Form. Symmetric Coefficient Matrix
[ ] 2221
21
121 2103
43xxxx
xxxT ++=⎥
⎤⎢⎡⎥⎤
⎢⎡
=Axx [ ] 22112
21 26 x ⎥⎦
⎢⎣⎥⎦
⎢⎣
( )1대칭행렬대응하는에행렬하는로이 로 ( )
⎥⎦
⎤⎢⎣
⎡=
+=+==+
2553
21 551064
C
A 대칭행렬대응하는에행렬하는로이므로 kjjkjk aac
⎥⎦
⎢⎣ 25
[ ] 221 210353
xxxxx
xxT ++=⎥⎤
⎢⎡⎥⎤
⎢⎡
=Cxx [ ] 22112
21 210325
xxxxx
xx ++=⎥⎦
⎢⎣⎥⎦
⎢⎣
=Cxx
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
Ex. 6 Transformation to Principal Axes. Conic Sections (원뿔곡선)p (원뿔곡선)
Find out what type of conic section the following quadratic form represents and transform it to principal axes:
22 128173017 2221
21 =+−= xxxxQ
1517 ⎤⎡⎤⎡ − x
( ) 01517:
,17151517
22
2
1
=−
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡−
−=
-
xx
λ특성방정식
xA
( )
322
32 2, : 01517 :
22 +=⇒
=⇒
=
yyQ
-λλ
고유값
특성방정식
12
8
322
2
22
2
21
21
=+∴
+=⇒
yy
yyQ
28
88.4 .4 EigenbasesEigenbases.. DiagonalizationDiagonalization. Quadratic. Quadraticgg gg QQForms Forms ((고유벡터의고유벡터의 기저기저. . 대각화대각화. 2. 2차차 형식형식))
PROBLEM SET 8.4
HW 8 17HW: 8, 17
88.5 .5 Complex Matrices and FormsComplex Matrices and Forms88 55 Co p e a ces a d o sCo p e a ces a d o s((복소행렬과복소행렬과 그그 형태형태))
NotationsNotations
[ ] [ ] ( )
행렬엳는대치하여로
공액복소수 대응되는 에실수 는 , 여기서 원소 각 의AA : jkjkjk
iβαa
iβαaaa
=
+=== βα
[ ] 공액전치행렬 대한 에 전치행렬이며, 대한 에
행렬엳는대치하여로
AAA :
kjT
jk
a
iβαa
=
−=
Ex.⎥⎦
⎤⎢⎣
⎡++
−=⎥
⎦
⎤⎢⎣
⎡++−
=⇒⎥⎦
⎤⎢⎣
⎡−−+
=ii
ii
iii
ii T
521643
,526
143
526143
AAA
정방행렬 에 대하여
i i i 에 미 행렬
[ ]jka=A
AAT
⎦⎣⎦⎣⎦⎣
• Hermitian Matrix (에르미트 행렬):
• Skew-Hermitian Matrix (반에르미트 행렬):
AA =T
AA −=T
1T• Unitary Matrix (유니타리 행렬): 1−= AAT
88.5 .5 Complex Matrices and FormsComplex Matrices and Forms88 55 Co p e a ces a d o sCo p e a ces a d o s((복소행렬과복소행렬과 그그 형태형태))
EigenvaluesEigenvalues
• 에르미트 행렬(대칭행렬)의 고유값은 실수이다.
• 반에르미트 행렬(반대칭행렬)의 고유값은 순허수이거나 0이다.반에 미 행렬(반대칭행렬)의 유값은 순허수이거나 이다
• 유니타리 행렬(직교행렬)의 고유값은 절대값 1을 가진다.
Inner Product:
Invariance of Inner Product
baba T=•
후의변환전과변환대하여는에갖는를행렬유니타리즉 AxyA =변환유니타리
Unitary System: 다음을 만족하는 복소벡터들의 집합. 실수벡터의 정규직교계에 해당
않는다. 변하지 노름이 및 내적
후의변환전과변환대하여는 에갖는를행렬유니타리즉, AxyA =변환 유니타리
y y 다 족하 복 벡터 의 수벡터의 규직 계에 해
( )( )⎩
⎨⎧
=≠
==•kjkj
kT
jkj 1 0
aaaa ( )⎩ kj 1
88.5 .5 Complex Matrices and FormsComplex Matrices and Forms88 55 Co p e a ces a d o sCo p e a ces a d o s((복소행렬과복소행렬과 그그 형태형태))
Unitary Systems of Column and Row Vectors
복소 정방행렬이 유리타리 행렬일 필요충분조건은 열벡터(또는 행벡터)가
니타리 계 형성하 것이다유니타리 계를 형성하는 것이다.
Determinant of a Unitary System
유니타리 행렬의 행렬식은 절대값 1을 가진다 즉 1det =A유니타리 행렬의 행렬식은 절대값 1을 가진다. 즉,
Basis of Eigenvectors
에르미트, 반에르미트 또는 유니타리 행렬의 고유벡터들은 상에서
1det A
nC유니타리 계의 기저가 된다.
88.5 .5 Complex Matrices and FormsComplex Matrices and Forms88 55 Co p e a ces a d o sCo p e a ces a d o s((복소행렬과복소행렬과 그그 형태형태))
Hermitian and Skew-Hermitian Forms
n, x, x1 x 형식대한에성분의벡터
n
j
n
kkjjk
T xxa= ∑∑= =1 1
: Axx
nnnnnnnnnn xxaxxaxxaxxaxxaxxa +++++++++= 11221221111111 ˆ
A가 에르미트, 또는 반에르미트일 경우, 각각 에르미트, 반에르미트 형식이라 부름.
에르미트 형식의 값은 실수이며, 반에르미트 형식의 값은 순허수 또는 0이 됨.
88.5 .5 Complex Matrices and FormsComplex Matrices and Forms88 55 Co p e a ces a d o sCo p e a ces a d o s((복소행렬과복소행렬과 그그 형태형태))
PROBLEM SET 8.5
HW 16HW: 16