logo

正定値行列の固有値と二次形式の最大値 📂線形代数

正定値行列の固有値と二次形式の最大値

定理

正定値行列 $A \in \mathbb{R}^{p \times p}$ の 固有対 $\left\{ \left( \lambda_{k} , e_{k} \right) \right\}_{k=1}^{n}$ が $\lambda_{1} \ge \cdots \ge \lambda_{n} \ge 0$ の順に並んでいるとする。単位球unit Sphere 上での 二次形式 $\mathbf{x}^{T} A \mathbf{x}$ の最大値と最小値は次の通りである。 $$ \begin{align*} \max_{\left\| \mathbf{x} \right\| = 1} \mathbf{x}^{T} A \mathbf{x} =& \lambda_{1} & \text{, attained when } \mathbf{x} = e_{1} \\ \min_{\left\| \mathbf{x} \right\| = 1} \mathbf{x}^{T} A \mathbf{x} =& \lambda_{p} & \text{, attained when } \mathbf{x} = e_{p} \end{align*} $$ 一方で $k = 2, \cdots , p-1$ について次が成り立つ。 $$ \max_{\substack{\left\| \mathbf{x} \right\| = 1 \\ \mathbf{x} \perp e_{1} , \cdots , e_{k-1} }} \mathbf{x}^{T} A \mathbf{x} = \lambda_{k} \quad \text{, attained when } \mathbf{x} = e_{k} $$


説明

与えられた定理は、$\left\| \mathbf{x} \right\| = 1$ を満たすベクトル、つまり単位球上の $\mathbf{x}$ に対する 二次形式固有値 とどのような関係にあるのかを説明している。特に、最後の公式は、解空間で $(k-1)$ 番目までの 固有ベクトル を除外した場合、二次形式の 最大値 が具体的に $\lambda_{k}$ と一致することを示している。

証明 1

特定の $\mathbf{x} \ne 0$ に対して、$\mathbf{x}_{1} = \mathbf{x} / \sqrt{ \mathbf{x}^{T} \mathbf{x} }$ とおくと $\left\| \mathbf{x}_{1} \right\| = 1$ となり、 $$ {{ \mathbf{x}^{T} A \mathbf{x} } \over { \mathbf{x}^{T} \mathbf{x} }} = \mathbf{x}_{1}^{T} A \mathbf{x}_{1} $$ したがって、証明では$\left\| \mathbf{x} \right\| = 1$ という条件をそのまま使うのではなく、${{ \mathbf{x}^{T} B \mathbf{x} } \over { \mathbf{x}^{T} \mathbf{x} }}$ を直接扱うことにしよう。


パート1. $\max \mathbf{x}^{T} A \mathbf{x} = \lambda_{1}$

正定値行列の平方根行列: 正定値行列 $A$ の 固有対 $\left\{ \left( \lambda_{k} , e_{k} \right) \right\}_{k=1}^{n}$ が $\lambda_{1} > \cdots > \lambda_{n} > 0$ の順で並んでいるとする。直行行列 $P = \begin{bmatrix} e_{1} & \cdots & e_{n} \end{bmatrix} \in \mathbb{R}^{n \times n}$ と 対角行列 $\Lambda = \diag \left( \lambda_{1} , \cdots , \lambda_{n} \right)$ に対して、$A$ の 平方根行列 $\sqrt{A}$ は次の通りである。 $$ \sqrt{A} = P \sqrt{\Lambda} P^{T} = \sum_{k=1}^{n} \sqrt{\lambda_{k}} e_{k} e_{k}^{T} $$

上記の定義で言及されたように、直行行列 $P$ と 対角行列 $\Lambda$ が定義されているとすると、ベクトル $\mathbf{y} \in \mathbb{R}^{p}$ を $$ \mathbf{y} = \left( y_{1} , \cdots , y_{p} \right) := P^{T} \mathbf{x} $$ のように設定する。これにより、 $$ \mathbf{x} \ne \mathbf{0} \implies \mathbf{y} \ne \mathbf{0} $$ となり、したがって 単位行列 $I \in \mathbb{R}^{p \times p}$ に対して次が成り立つ。 $$ \begin{align*} & {{ \mathbf{x}^{T} A \mathbf{x} } \over { \mathbf{x}^{T} \mathbf{x} }} \\ =& {{ \mathbf{x}^{T} \sqrt{A} \sqrt{A} \mathbf{x} } \over { \mathbf{x}^{T} I \mathbf{x} }} \\ =& {{ \mathbf{x}^{T} P \sqrt{\Lambda} P^{T} P \sqrt{\Lambda} P^{T} \mathbf{x} } \over { \mathbf{x}^{T} P P^{T} \mathbf{x} }} \\ =& {{ \mathbf{y}^{T} \sqrt{\Lambda} I \sqrt{\Lambda} \mathbf{y} } \over { \mathbf{y}^{T} \mathbf{y} }} \\ =& {{ \mathbf{y}^{T} \Lambda \mathbf{y} } \over { \mathbf{y}^{T} \mathbf{y} }} \\ =& {{ \sum_{i=1}^{p} \lambda_{i} y_{i}^{2} } \over { \sum_{i=1}^{p} y_{i}^{2} }} \\ \le& \lambda_{1} {{ \sum_{i=1}^{p} y_{i}^{2} } \over { \sum_{i=1}^{p} y_{i}^{2} }} & \cdots \star \\ =& \lambda_{1} \end{align*} $$ $P = \begin{bmatrix} e_{1} & \cdots & e_{n} \end{bmatrix}$ であり、異なる $i \ne j$ に対しては $e_{i}^{T} e_{j} = 0$、インデックスが同じ場合は $e_{i}^{T} e_{i} = 1$ なので、もし $\mathbf{x} = e_{1}$ を選ぶと、 $$ \mathbf{y} = P^{T} e_{1} = \begin{bmatrix} 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix} = e_{1} $$ となり、したがって、 $$ \begin{align*} & {{ \mathbf{x}^{T} A \mathbf{x} } \over { \mathbf{x}^{T} \mathbf{x} }} \\ =& {{ \mathbf{y}^{T} \Lambda \mathbf{y} } \over { \mathbf{y}^{T} \mathbf{y} }} \\ =& {{ e_{1}^{T} \Lambda e_{1} } \over { e_{1}^{T} e_{1} }} \\ =& \lambda_{1} \end{align*} $$ となる。したがって、 $$ \max_{\left\| \mathbf{x} \right\| = 1} \mathbf{x}^{T} A \mathbf{x} = \lambda_{1} \quad \text{, attained when } \mathbf{x} = e_{1} $$ 同様の方法で最小値も次のように求めることができる。$\star$ と示された展開で、$\lambda_{1}$ が $\lambda_{p}$ になり、不等式の向きが逆になる。 $$ \min_{\left\| \mathbf{x} \right\| = 1} \mathbf{x}^{T} A \mathbf{x} = \lambda_{p} \quad \text{, attained when } \mathbf{x} = e_{p} $$


パート2. $\max_{\mathbf{x} \perp e_{1} , \cdots , e_{k-1} } \mathbf{x}^{T} A \mathbf{x} = \lambda_{k}$

$\mathbf{y}$ が $\mathbf{y} = P^{T} \mathbf{x}$ として定義され、$P$ が直行行列であるため、$P \mathbf{y} = \mathbf{x}$ となる。この $\mathbf{x}$ は固有ベクトル $e_{1} , \cdots , e_{p}$ によって次のように表すことができる。 $$ \begin{align*} \mathbf{x} =& P \mathbf{y} \\ =& y_{1} e_{1} + y_{2} e_{2} + \cdots + y_{p} e_{p} \end{align*} $$ $\mathbf{x} \perp e_{1} , \cdots , e_{k-1}$ とすると、$i < k$ のすべての $e_{i}$ に対する 内積 は、 $$ \begin{align*} 0 =& e_{i}^{T} \mathbf{x} \\ =& y_{1} e_{i}^{T} e_{1} + y_{2} e_{i}^{T} e_{2} + \cdots + y_{p} e_{i}^{T} e_{p} \\ =& y_{i} e_{i}^{T} e_{i} \\ =& y_{i} \end{align*} $$ となる。これにより、パート1で出てきた $\star$ を再度見ると、 $$ {{ \mathbf{x}^{T} A \mathbf{x} } \over { \mathbf{x}^{T} \mathbf{x} }} = {{ \sum_{i=k}^{p} \lambda_{i} y_{i}^{2} } \over { \sum_{i=k}^{p} y_{i}^{2} }} \le \lambda_{k} {{ \sum_{i=k}^{p} y_{i}^{2} } \over { \sum_{i=k}^{p} y_{i}^{2} }} $$ $y_{k} = 1$ と $y_{k+1} = \cdots = y_{p} = 0$ を設定した場合、つまり $\mathbf{x} = \sum_{i=1}^{p} y_{i} e_{i} = e_{k}$ の時、最大値が得られる。


  1. Johnson. (2013). Applied Multivariate Statistical Analysis(6th Edition): p118~119. ↩︎