Практический тест по спектральной теореме с пошаговым интерактивным уроком
Используйте вопросы ниже на странице, чтобы отработать спектральную теорему: распознавать вещественные симметричные и комплексные эрмитовы матрицы, доказывать, что собственные значения вещественны, использовать ортогональность собственных подпространств, строить \(A=QDQ^T\) или \(A=UDU^*\), читать \(\operatorname{tr}A\), \(\det A\), ранг и степени по собственным значениям, раскладывать \(A=\sum_i\lambda_i q_iq_i^T\), классифицировать квадратичные формы по знакам собственных значений и распознавать матрицы проекций с собственными значениями \(0\) и \(1\). Откройте урок, чтобы увидеть целевые разобранные примеры и быстрые проверки.
Ответьте на набор вопросов и разберите ошибки в конце.
Как работает эта практика по спектральной теореме
1. Выполните набор практики: ответьте на вопросы о симметричных матрицах, эрмитовых матрицах, ортогональной диагонализации, спектральных разложениях и определенности.
2. Откройте урок: повторите теорему, проверки распознавания, разобранные примеры и задания с одним ответом.
3. Попробуйте снова: вернитесь к набору вопросов и сначала определите, спрашивает ли задача о симметрии, собственных векторах, диагональной форме, спектральных данных или квадратичной форме.
Что вы изучите в уроке по спектральной теореме
Самосопряженные матрицы
Вещественный случай: \(A^T=A\) — признак для вещественной спектральной теоремы
Комплексный случай: \(A^*=A\) означает, что матрица эрмитова и имеет вещественные собственные значения
Собственные подпространства для различных собственных значений ортогональны
Ортогональная диагонализация
Вещественные симметричные матрицы допускают \(A=QDQ^T\), где \(Q^TQ=I\)
Столбцы \(Q\) образуют ортонормированный базис из собственных векторов
Кратные собственные значения все равно позволяют выбрать ортонормированные базисы внутри своих собственных подпространств
Спектральное разложение
Запишите \(A=\sum_i\lambda_i q_iq_i^T\), используя ортогональные проекции ранга один
Степени и функции действуют на собственные значения: \(f(A)=Qf(D)Q^T\)
След, определитель, ранг и обратимость читаются по собственным значениям
Квадратичные формы и проекции
Используйте \(x^TAx=\sum_i\lambda_i y_i^2\) после ортонормированной замены координат
Положительная определенность означает, что все собственные значения положительны
Симметричные проекции имеют только собственные значения \(0\) и \(1\)
Спектральная теорема превращает симметрию в геометрию
Цель: Построить надежный алгоритм для задач на спектральную теорему: распознавать самосопряженные матрицы, использовать вещественные собственные значения и ортогональные собственные подпространства, получать \(A=QDQ^T\) или \(A=UDU^*\), интерпретировать \(A=\sum_i\lambda_i q_iq_i^T\) и классифицировать квадратичные формы по знакам собственных значений.
Критерии успеха
Распознавать вещественные симметричные матрицы по \(A^T=A\), а эрмитовы матрицы по \(A^*=A\).
Формулировать, что самосопряженные матрицы имеют вещественные собственные значения.
Использовать ортогональность собственных подпространств для различных собственных значений.
Строить ортонормированный базис из собственных векторов, в том числе внутри кратных собственных подпространств.
Читать \(Q^{-1}=Q^T\) в \(A=QDQ^T\) и \(U^{-1}=U^*\) в \(A=UDU^*\).
Использовать спектральное разложение \(A=\sum_i\lambda_i q_iq_i^T\).
Вычислять след, определитель, ранг, степени и обратимость по собственным значениям.
Классифицировать определенность \(x^TAx\) по знакам собственных значений.
Ключевая лексика
Самосопряженная матрица: равна своей сопряженной; \(A^T=A\) над \(\mathbb{R}\), \(A^*=A\) над \(\mathbb{C}\).
Ортогональная матрица: \(Q^TQ=I\), поэтому \(Q^{-1}=Q^T\).
Унитарная матрица: \(U^*U=I\), поэтому \(U^{-1}=U^*\).
Ортонормированный базис из собственных векторов: базис из единичных собственных векторов, попарно ортогональных.
Спектральная проекция: \(q_iq_i^T\), проекция ранга один на собственную прямую, порожденную \(q_i\).
Отношение Рэлея: \(\dfrac{x^TAx}{x^Tx}\), ограниченное наименьшим и наибольшим собственными значениями для симметричной \(A\).
Быстрая предварительная проверка
Предварительная проверка: К каким матрицам вещественная спектральная теорема применяется напрямую?
Подсказка: в вещественном случае теореме нужно, чтобы матрица совпадала со своей транспонированной.
Симметричные и эрмитовы матрицы имеют вещественные спектральные данные
Цель обучения: Понять, когда доступна спектральная теорема и что она гарантирует, прежде чем что-либо вычислять.
Ключевая идея
В вещественном пространстве со скалярным произведением ключевое условие — \(A^T=A\). В комплексном пространстве со скалярным произведением соответствующее условие — \(A^*=A\), где \(A^*\) означает сопряженно-транспонированную матрицу. Эти самосопряженные условия заставляют собственные значения быть вещественными и заставляют оператор вести себя как растяжение вдоль перпендикулярных направлений.
Контрольный список распознавания
Сначала проверьте, что матрица квадратная.
Вещественный случай: сравните элементы относительно диагонали, то есть \(a_{ij}=a_{ji}\).
Комплексный случай: сравните \(a_{ij}\) с \(\overline{a_{ji}}\).
Если условие выполнено, ищите ортонормированный базис из собственных векторов, а не произвольную матрицу перехода.
Разобранный пример
Пример: Пусть \(A=\operatorname{diag}(2,5)\). Почему спектральная теорема применяется сразу?
Матрица вещественная симметричная, потому что она совпадает со своей транспонированной. Векторы стандартного базиса \(e_1,e_2\) уже являются ортонормированными собственными векторами с собственными значениями \(2\) и \(5\). Поэтому \(A=QDQ^T\), где \(Q=I\) и \(D=\operatorname{diag}(2,5)\).
Попробуйте
Попробуйте: Какая матрица симметрична?
Подсказка: у вещественной симметричной матрицы элементы выше и ниже диагонали совпадают.
Разные собственные значения дают перпендикулярные собственные подпространства
Цель обучения: Использовать идею доказательства о том, что симметрия переносит \(A\) через скалярное произведение.
Ключевая идея
Если \(Au=\lambda u\) и \(Av=\mu v\), то симметрия дает \(\langle Au,v\rangle=\langle u,Av\rangle\). Следовательно, \(\lambda\langle u,v\rangle=\mu\langle u,v\rangle\). Когда \(\lambda≠\mu\), отсюда следует \(\langle u,v\rangle=0\).
Кратные собственные значения
Различные собственные подпространства автоматически ортогональны.
Внутри одного собственного подпространства для кратного собственного значения векторы не обязаны автоматически быть ортогональными.
Используйте процесс Грама-Шмидта внутри кратного собственного подпространства, чтобы выбрать ортонормированный базис.
Объединение этих базисов по всем собственным подпространствам дает ортонормированный базис из собственных векторов, обещанный теоремой.
Разобранный пример
Пример: Матрица \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\) имеет собственные векторы \((1,1)\) и \((1,-1)\). Что происходит после нормировки?
Собственные значения равны \(1\) и \(-1\). Скалярное произведение собственных векторов равно \(1-1=0\), значит, они ортогональны. После умножения на \(1/\sqrt2\) они становятся ортонормированными столбцами матрицы \(Q\).
Попробуйте
Попробуйте: Для вещественной симметричной матрицы какими являются собственные векторы, соответствующие различным собственным значениям?
Подсказка: используйте \(\langle Au,v\rangle=\langle u,Av\rangle\) и вычтите два скалярных кратных выражения.
Поместите собственные векторы в \(Q\), а собственные значения в \(D\)
Цель обучения: Переводить ортонормированный базис из собственных векторов в диагональную форму, используемую в вычислениях.
Ключевая идея
Для вещественной симметричной матрицы выберите ортонормированные собственные векторы \(q_1,\dots,q_n\). Пусть \(Q\) имеет эти векторы в качестве столбцов, а \(D=\operatorname{diag}(\lambda_1,\dots,\lambda_n)\). Тогда \(AQ=QD\), поэтому \(A=QDQ^T\). В комплексном эрмитовом случае форма имеет вид \(A=UDU^*\).
Замечания к формулам
Диагональные элементы \(D\) — это собственные значения, повторенные с учетом кратности.
Столбцы \(Q\) — соответствующие единичные собственные векторы.
Ортогональность означает \(Q^TQ=I\), поэтому \(Q^{-1}=Q^T\).
Порядок собственных векторов может менять порядок диагональных элементов, но не сам оператор.
Используйте \(q_1=(1,1)/\sqrt2\) с собственным значением \(1\) и \(q_2=(1,-1)/\sqrt2\) с собственным значением \(-1\). Тогда \(Q=[q_1\ q_2]\) ортогональна, а \(D=\operatorname{diag}(1,-1)\), поэтому \(A=QDQ^T\).
Попробуйте
Попробуйте: Если \(Q\) ортогональна, чему равно \(Q^{-1}\)?
Симметричная матрица — это взвешенная сумма ортогональных проекций
Цель обучения: Читать действия, степени, ранг, след и определитель напрямую по собственным значениям.
Ключевая идея
Из \(A=QDQ^T\), где столбцы — это \(q_i\), раскройте произведение и получите \[A=\sum_i \lambda_i q_iq_i^T.\] Каждая \(q_iq_i^T\) проектирует на одну единичную собственную прямую, а \(\lambda_i\) показывает, насколько сильно \(A\) растягивает это направление.
Спектральные данные
\(\operatorname{tr}A=\sum_i\lambda_i\).
\(\det A=\prod_i\lambda_i\).
\(\operatorname{rank}A\) — число ненулевых собственных значений.
\(A^k=QD^kQ^T\), поэтому собственные значения \(A^k\) равны \(\lambda_i^k\).
Если все \(\lambda_i≠0\), то \(A^{-1}=QD^{-1}Q^T\).
Разобранный пример
Пример: Если симметричная матрица имеет собственные значения \(2\) и \(3\), каковы собственные значения \(A^2\)?
Для \(A^2\) работают те же собственные векторы, а собственные значения возводятся в квадрат. Поэтому собственные значения \(A^2\) равны \(4\) и \(9\).
Попробуйте
Попробуйте: Если \(A\) симметрична и имеет собственные значения \(2\) и \(3\), каковы собственные значения \(A^2\)?
Подсказка: степени действуют на собственные значения той же степенью.
Знаки собственных значений классифицируют \(x^TAx\)
Цель обучения: Превратить квадратичную форму в диагональную сумму поворотом к ортонормированному собственному базису.
Ключевая идея
Если \(A=QDQ^T\) и \(y=Q^Tx\), то \[x^TAx=y^TDy=\sum_i\lambda_i y_i^2.\] Поскольку \(Q\) сохраняет длины, знаки собственных значений определяют, является ли квадратичная форма положительной, отрицательной, полуопределенной или неопределенной.
Проверки определенности
Все собственные значения положительны: положительно определенная.
Все собственные значения неотрицательны и хотя бы одно равно нулю: положительно полуопределенная, но не определенная.
Все собственные значения отрицательны: отрицательно определенная.
Все собственные значения неположительны и хотя бы одно равно нулю: отрицательно полуопределенная, но не определенная.
Есть хотя бы одно положительное и хотя бы одно отрицательное собственное значение: неопределенная.
Разобранный пример
Пример: Вещественная симметричная матрица имеет собственные значения \(0,4\). Как следует классифицировать ее квадратичную форму?
Оба собственных значения неотрицательны, и одно собственное значение равно нулю. Поэтому \(x^TAx\ge0\) для каждого \(x\), но оно не положительно для каждого ненулевого \(x\). Форма положительно полуопределенная, но не положительно определенная.
Попробуйте
Попробуйте: Вещественная симметричная матрица имеет собственные значения \(-1\) и \(3\). Как классифицируется ее квадратичная форма?
Подсказка: одно собственное значение дает отрицательное направление, а другое — положительное направление.
Проекции и отношения Рэлея — спектральные примеры
Цель обучения: Связать теорему с распространенными операторами, которые встречаются в задачах линейной алгебры.
Ключевая идея
Симметричная проекция \(P\) удовлетворяет \(P^2=P\) и \(P^T=P\). Если \(Pv=\lambda v\), то \(P^2v=Pv\) дает \(\lambda^2=\lambda\), поэтому \(\lambda\) равно \(0\) или \(1\). Спектральная теорема говорит, что пространство ортогонально раскладывается в прямую сумму образа и ядра проекции.
Взгляд через операторы
Симметричные проекции имеют диагональную форму только с \(0\) и \(1\) на диагонали.
След симметричной проекции равен ее рангу.
Отношение Рэлея для симметричной \(A\) лежит между наименьшим и наибольшим собственными значениями.
Операторная норма симметричной \(A\) равна \(\max_i|\lambda_i|\).
Разобранный пример
Пример: Какова спектральная картина проекции на прямую в \(\mathbb{R}^2\)?
Направление прямой — собственная прямая с собственным значением \(1\), потому что векторы на прямой не меняются. Перпендикулярное направление — собственная прямая с собственным значением \(0\), потому что оно отправляется в ноль. В ортонормированном базисе, согласованном с прямой, матрица равна \(\operatorname{diag}(1,0)\).
Попробуйте
Попробуйте: С какими возможными диагональными элементами симметричная матрица проекции ортогонально диагонализируема?
Подсказка: примените \(P^2=P\) к собственному вектору.
Большинство ошибок игнорирует условия или базис
Цель обучения: Завершить компактным контрольным списком типичных ошибок в спектральной теореме.
Типичные ошибки
Диагонализируемости недостаточно: теореме нужна самосопряженная структура, чтобы получить ортонормированный базис из собственных векторов.
Симметричная и кососимметричная матрицы: \(A^T=A\), а не \(A^T=-A\).
Кратные собственные значения: внутри одного собственного подпространства может понадобиться ортонормировать базис.
Соответствие порядка: каждый диагональный элемент в \(D\) должен соответствовать своему столбцу \(Q\).
Определенность: нули дают полуопределенность, а не определенность.
Матрицы проекций: \(P^2=P\) дает проекцию; \(P^T=P\) дает ортогональную проекцию в евклидовом пространстве.
Разобранный пример
Пример: Если \(A=5I\) в \(\mathbb{R}^3\), сколько собственных векторов доступно?
Каждый ненулевой вектор является собственным вектором с собственным значением \(5\). Кратное собственное подпространство — все \(\mathbb{R}^3\), поэтому выберите любой ортонормированный базис. Это хорошее напоминание, что кратные собственные значения не мешают спектральной теореме.
Попробуйте
Попробуйте: Какими являются собственные значения эрмитовой матрицы?
След, определитель, ранг, степени и обратимость читаются по собственным значениям.
Определенность квадратичной формы контролируется знаками собственных значений.
Симметричные проекции имеют собственные значения \(0\) и \(1\).
Следующий шаг: Закройте этот урок и попробуйте пройти тест снова. В каждой задаче сначала проверьте тип матрицы, затем решите, относится ли ответ к вещественности собственных значений, ортогональности, диагональной форме, спектральному разложению или знакам квадратичной формы.
