矩陣A的特徵值與奇異值大小關係?

請問是否滿足:
最小的奇異值的絕對值le最小的特徵值的絕對值/模長
最大的奇異值的絕對值ge最大的特徵值的絕對值/模長


是的。一個方陣各奇異值的模中的最大/小值,是它的特徵值的模的上/下界。證明如下:

A為任意方陣,其奇異值分解為A=USV^*
其中UV為酉矩陣;S為對角陣,各對角元為A的奇異值。

對於任意非零向量mathbf{x},考察||Amathbf{x}|| / ||mathbf{x}||
Amathbf{x} = USV^*mathbf{x}。酉矩陣與向量相乘,不改變其模。
S的各對角元的模中最大的為M,最小的為m,則有m le ||Amathbf{x}|| / ||mathbf{x}|| le M

對於A的任一特徵值lambda,設mathbf{x}是它的任一非零特徵向量,則Amathbf{x} = lambdamathbf{x}|lambda| = ||Amathbf{x}|| / ||mathbf{x}||
於是有m le |lambda| le M


謝邀,借用個很強的結論極小極大原理,這個結論對於hermite矩陣都成立。

由於奇異值是hermite特徵值的非負平方根,然後把奇異值從大到小排列,有

最大的奇異值S1可以用第三個等式,k=1,這個時候Omega 是全空間了,那麼式子就是max_{||x||=1}||Ax|| ,這裡遍歷了所有的x,所以是肯定比最大的特徵值的模還要大的。因為特徵值是是存在一個x,滿足||Ax||=||lambda||||x||=||lambda|| .

最小的奇異值Sn用第二個式子,k=n,即min_{||x||=1}||Ax|| ,同理,比所有的特徵值都要小。


推薦閱讀:

如何看待線性代數中矩陣的位置?
矩陣乘法的本質是什麼?
泰勒展開只在一點上,怎麼保證整個函數能夠趨近?
在有原函數表達式的情況下,為什麼需要用微分求得近似函數?

TAG:數學 | 線性代數 | 矩陣運算 | 矩陣 | 特徵值 |