MIT线性代数笔记-第21讲-特征值,特征向量

目录

  • 21.特征值,特征向量
    • 打赏

21.特征值,特征向量

对于一个方阵 A A A,若 A x ⃗ = λ x ⃗ A \vec{x} = \lambda \vec{x} Ax =λx ,即 A x ⃗ A \vec{x} Ax 平行于 x ⃗ \vec{x} x ,那么 λ \lambda λ A A A的特征值, x ⃗ \vec{x} x A A A的特征向量,特征向量不可为 0 ⃗ \vec{0} 0

  1. λ = 0 \lambda = 0 λ=0时, x ⃗ \vec{x} x 属于 A A A的零空间,而可逆矩阵的零空间只有 0 ⃗ \vec{0} 0 ,所以可逆矩阵的特征值不可能为 0 0 0

  2. 依几何意义可知,某空间的投影矩阵的特征向量只可能是正交于该空间的向量或者是该空间中的向量,二者对应的特征值分别为 0 , 1 0 , 1 0,1

  3. 单位矩阵的特征向量可以是 0 ⃗ \vec{0} 0 之外的任意向量,且特征值总是 1 1 1

  4. 对于置换矩阵,如果只置换了几行且未置换的行中有非零行,那么特征向量是在置换中达成闭环的那几组行内部分别相等的向量,特征值为 1 1 1;反之,特征向量是在置换中达成闭环的那几组行内部分别相等且不全为 0 0 0的向量或者是在置换中达成闭环的那几组行内部分别绝对值相等且不全为 0 0 0且每组行内部正数负数数量一致的向量,二者对应的特征值分别为 1 , − 1 1 , -1 1,1

  5. 求解特征向量和特征值

    变形得: ( A − λ I ) x ⃗ = 0 ⃗ (A - \lambda I) \vec{x} = \vec{0} (AλI)x =0 ,又 x ⃗ ≠ 0 ⃗ \vec{x} \ne \vec{0} x =0 ,所以 A − λ I A - \lambda I AλI为一个奇异矩阵,即 ∣ A − λ I ∣ = 0 |A - \lambda I| = 0 AλI=0,这个方程称作特征(值)方程

    使用特征方程解得 λ \lambda λ,代入原方程可求得 x ⃗ \vec{x} x

    例: A = [ 3 1 1 3 ] A = \begin{bmatrix} 3 & 1 \\ 1 & 3 \end{bmatrix} A=[3113],则 ∣ A − λ I ∣ = ∣ 3 − λ 1 1 3 − λ ∣ = ( 3 − λ ) 2 − 1 = 0 |A - \lambda I| = \begin{vmatrix} 3 - \lambda & 1 \\ 1 & 3 - \lambda \end{vmatrix} = (3 - \lambda)^2 - 1 = 0 AλI= 3λ113λ =(3λ)21=0,解得 λ 1 = 2 , λ 2 = 4 \lambda_1 = 2 , \lambda_2 = 4 λ1=2,λ2=4

    ​    A − λ 1 I = [ 1 1 1 1 ] A - \lambda_1 I = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix} Aλ1I=[1111],此时 x ⃗ \vec{x} x 的特解为 [ − 1 1 ] \begin{bmatrix} -1 \\ 1 \end{bmatrix} [11] λ 2 \lambda_2 λ2时的特解为 [ 1 1 ] \begin{bmatrix} 1 \\ 1 \end{bmatrix} [11]

    求解 λ \lambda λ相当于求一个一元 n n n次方程

    • 代数重数:在一元 n n n次方程中某个特征值 λ \lambda λ的重根个数即为它的代数重数

      几何重数:对于某个特征值 λ \lambda λ A − λ I A - \lambda I AλI的零空间的维数即为它的几何重数

      证明代数重数 ≥ \ge 几何重数:

      暂时不会证明 \color{OrangeRed}暂时不会证明 暂时不会证明

  6. 上一点中将 A A A换为 A ′ = [ 0 1 1 0 ] A^{'} = \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix} A=[0110],可以解得 λ 1 ′ = − 1 , λ 2 ′ = 1 \lambda_1^{'} = -1 , \lambda_2^{'} = 1 λ1=1,λ2=1,发现分别等于 λ 1 − 3 , λ 2 − 3 \lambda_1 - 3 , \lambda_2 - 3 λ13,λ23,而特解却没有变,这是因为 A ′ = A − 3 I A^{'} = A - 3I A=A3I,而在求解 λ \lambda λ时想得到奇异矩阵需要减去若干个 I I I,所以二者可以变成的奇异矩阵是一致的,因而特解是一样的,而刚开始减了 3 I 3I 3I得到 A ′ A^{'} A,所以最终 λ \lambda λ也要减 3 3 3,用代数式可表示为 ( A − 3 I ) x ⃗ = A x ⃗ − 3 x ⃗ = λ x ⃗ − 3 x ⃗ = ( λ − 3 ) x ⃗ (A - 3I) \vec{x} = A \vec{x} - 3\vec{x} = \lambda \vec{x} - 3\vec{x} = (\lambda - 3) \vec{x} (A3I)x =Ax 3x =λx 3x =(λ3)x

    3 I 3I 3I的特征值为 3 3 3,可以发现 A A A 3 I 3I 3I差的特征值等于特征值的差,但是这并不适用于任意两个方阵,不过对于任意一个方阵和另一个 a I aI aI,这是成立的

  7. 旋转矩阵:与向量相乘后可以使其旋转的矩阵,记作 R R R,比如二维向量的旋转矩阵为 [ c o s θ − s i n θ s i n θ c o s θ ] \begin{bmatrix} cos \theta & -sin \theta \\ sin \theta & cos \theta \end{bmatrix} [cosθsinθsinθcosθ],可以使一个二维向量逆时针旋转 θ \theta θ的角度

    依几何意义可知旋转矩阵没有实数特征值,只有复数特征值,可以用上一点相同的方法求得

  8. n n n阶方阵有 n n n个特征值,它们之中有部分可能相等

    证明: 一元 n n n次方程有 n n n个复数根且可能存在根相等的情况

    迹:方阵主对角线上元素的和

    • n n n个特征值的和等于该 n n n阶方阵的迹

      证明: 依高次方程的韦达定理得:

      ​     λ 1 + λ 2 + ⋯ λ n = − a 1 a 0 = − ( a 1 , 1 + a 2 , 2 + ⋯ + a n , n ) ( − 1 ) n − 1 ( − 1 ) n = a 1 , 1 + a 2 , 2 + ⋯ + a n , n \begin{aligned} \lambda_1 + \lambda_2 + \cdots \lambda_n & = -\dfrac{a_1}{a_0} \\ & = -\dfrac{(a_{1 , 1} + a_{2 , 2} + \cdots + a_{n , n})(-1)^{n - 1}}{(-1)^n} \\ & = a_{1 , 1} + a_{2 , 2} + \cdots + a_{n , n} \end{aligned} λ1+λ2+λn=a0a1=(1)n(a1,1+a2,2++an,n)(1)n1=a1,1+a2,2++an,n

    • n n n个特征值的积等于该 n n n阶方阵的行列式

      证明: 计算 A − λ I A - \lambda I AλI的行列式的常数项 a n a_n an时,如果选取到了主对角线上的元素,那么只需考虑它的常数项,由此可以发现 a n = ∣ A ∣ a_n = |A| an=A

      ​    依高次方程的韦达定理得:

      ​     λ 1 ⋅ λ 2 ⋯ λ n = ( − 1 ) n a n a 0 = ( − 1 ) n ∣ A ∣ ( − 1 ) n = ∣ A ∣ \begin{aligned} \lambda_1 \cdot \lambda_2 \cdots \lambda_n & = (-1)^n \dfrac{a_n}{a_0} \\ & = (-1)^n \dfrac{|A|}{(-1)^n} \\ & = |A| \end{aligned} λ1λ2λn=(1)na0an=(1)n(1)nA=A

    • A A A为二阶方阵且有两个复数特征值时这两个特征值为共轭复数

      证明: 设这两个特征值分别为 λ 1 = a + b i , λ 2 = c + d i \lambda_1 = a + bi , \lambda_2 = c + di λ1=a+bi,λ2=c+di

      ​    因为特征值的和为实数,所以 b + d = 0 b + d = 0 b+d=0,又因为特征值的积为实数,即 a c − b d + ( a d + b c ) i ac - bd +(ad + bc)i acbd+(ad+bc)i为实数,所以 a d + b c = a d − c d = 0 ad + bc = ad - cd = 0 ad+bc=adcd=0,因而 a = c a = c a=c,所以 λ 1 , λ 2 \lambda_1 , \lambda_2 λ1,λ2为共轭复数

  9. 小技巧

    • 对称矩阵的特征值一定为实数(第 26 26 26讲有证明)

    • λ \lambda λ为一个实方阵的特征值时, λ ‾ \overline{\lambda} λ也为其特征值

      证明: 对于两个复数 x 1 = a + b i , x 2 = c + d i x_1 = a + bi , x_2 = c + di x1=a+bi,x2=c+di,它们的共轭复数分别为 x 1 ‾ = a − b i , x 2 ‾ = c − d i \overline{x_1} = a - bi , \overline{x_2} = c - di x1=abi,x2=cdi

      ​    可以发现 x 1 ⋅ x 2 = a c − b d + ( a d + b c ) i = x 1 ‾ ⋅ x 2 ‾ ‾ x_1 \cdot x_2 = ac - bd + (ad + bc)i = \overline{\overline{x_1} \cdot \overline{x_2}} x1x2=acbd+(ad+bc)i=x1x2

      ​ 所以对于 A x ⃗ = λ x ⃗ A \vec{x} = \lambda \vec{x} Ax =λx 可以得到 A x ⃗ ‾ = λ ‾ x ⃗ ‾ A \overline{\vec{x}} = \overline{\lambda} \overline{\vec{x}} Ax =λx ,因而当 λ \lambda λ为特征值时,其共轭也为特征值,并且对应的特征向量互为共轭

    • 方阵的特征值与其转置一致

      证明: 设一个方阵 A A A λ \lambda λ为其特征值的充要条件是 ∣ A − λ I ∣ = 0 |A - \lambda I| = 0 AλI=0

      ​    所以 ∣ A T − λ I ∣ = ∣ ( A − λ I ) T ∣ = ∣ A − λ I ∣ = 0 |A^T - \lambda I| = |(A - \lambda I)^T| = |A - \lambda I| = 0 ATλI=(AλI)T=AλI=0,即 λ \lambda λ也是 A T A^T AT的奇异矩阵

    • 当一个方阵各列元素和均为一个确定值时,这个确定值一定是这个方阵的特征值之一

      证明: 设一个方阵 A A A,其各列元素和均为 x x x,即证 A − x I A - xI AxI为奇异矩阵

      ​    因为 A A A各列元素和均为 x x x,所以 A − x I A - xI AxI各列元素和均为 0 0 0,因而各行相加后得到 0 ⃗ \vec{0} 0 ,即行向量线性相关,自 然是奇异矩阵


打赏

制作不易,若有帮助,欢迎打赏!
赞赏码

支付宝付款码

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/192565.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

怎么防止死锁

目录 一、死锁的概念 1、互斥条件 2、 占有和等待条件 3、非抢占条件(No Preemption): 4、环路等待条件(Circular Wait): 二、防止死锁 死锁预防(Deadlock Prevention)&#xf…

内网穿透工具获取一个公网ip

下载地址:点击即可下载很简单 然后将他复制到上面的命令行窗口直接回车

LeetCode1423. Maximum Points You Can Obtain from Cards

文章目录 一、题目二、题解 一、题目 There are several cards arranged in a row, and each card has an associated number of points. The points are given in the integer array cardPoints. In one step, you can take one card from the beginning or from the end of…

Programming Contest 2023(AtCoder Beginner Contest 331)E题 Set Meal --- 题解

目录 E题 Set Meal 题目大意: 思路:(在求最大时和最小时,如果要求查询代价较小时,可以使用优先队列) 代码: E题 Set Meal E - Set Meal (atcoder.jp) 题目大意: 先给出n个…

知识图谱07——图片中表格开源ocr识别

对比了多种ocr识别算法,最终选择了百度paddle官方的ocr算法 在所在的虚拟环境下运行 pip install paddleocr --userfrom paddleocr import PaddleOCR import os import csv# 创建 PaddleOCR 对象 ocr = PaddleOCR(use_gpu=True) # 无gpu时选择False# 指定图片文件夹和结果保…

编程怎么学才能快速入门,分享一款中文编程工具快速学习编程思路,中文编程工具之边条主控菜单构件简介

编程怎么学才能快速入门,分享一款中文编程工具快速学习编程思路,中文编程工具之边条主控菜单构件简介 一、前言 零基础自学编程,中文编程工具下载,中文编程工具构件之扩展系统菜单构件教程编程系统化教程链接https://jywxz.blog…

SALib敏感性分析入门实践笔记

1. 敏感性分析 敏感性分析是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种不确定分析技术。 其实质是通过逐一改变相关变量数值的方法来解释关键指标受这些因素变动影响大小的规律。 敏感性因素一般可选择主要参数(如销售收入、…

autojs-ui悬浮按钮模板

注释很详细,直接上代码 涵盖很多常用知识点,也可当知识点看 运行效果长这样: 开始按钮相当于开关,按钮内容会随点击变换控制台按钮可让运行框显示或隐藏退出按钮退出程序并在3s后关闭运行框只需在对应函数内添加需要实现的内容即可…

云服务器网站遇到HTTPS CC攻击了,有什么办法吗?

目前网站使用SSL证书,用443端口的情况非常普遍,大多数网站,用户都是会选择用证书,这样不仅可以提供数据传输的安全性,增强用户信任和品牌形象,还可以提高网站在搜索结果中的排名,从而增加流量和…

算法复习,数据结构 ,算法特性,冒泡法动态演示,复杂度,辗转相除法*,寻找最大公因数

算法复习 知识点 1. 程序 数据结构 算法 2. 算法: 求解问题的策略数据结构:问题的数学模型程序:微计算机处理问题编制的一组指令 3. **特性 ** 有穷性:算法在执行有穷步后能结束确定性:每一指令有确切的含义&a…

2023年12月4日支付宝蚂蚁庄园小课堂小鸡宝宝考考你今日正确答案是什么?

问题:你知道电杆上安装的“小风车”有什么用途吗? 答案:防止鸟类筑巢 解析:小风车一般做成橙色,因为橙色是一种可令野鸟产生恐慌感的颜色;小风车在转动时,会发出令野鸟害怕的噪声;…

LLM推理部署(四):一个用于训练、部署和评估基于大型语言模型的聊天机器人的开放平台FastChat

FastChat是用于对话机器人模型训练、部署、评估的开放平台。体验地址为:https://chat.lmsys.org/,该体验平台主要是为了收集人类的真实反馈,目前已经支持30多种大模型,已经收到500万的请求,收集了10万调人类对比大模型…

好题记录:

好题记录&#xff1a; 1:2:3&#xff1a;三级目录 1: 下面代码的结果是&#xff1a;&#xff08; &#xff09; 下面代码的结果是&#xff1a;&#xff08; &#xff09;#include <stdio.h> int main() {int arr[] {1,2,3,4,5};short *p (short*)arr;int i …

138. 随机链表的复制 --力扣 --JAVA

题目 给你一个长度为 n 的链表&#xff0c;每个节点包含一个额外增加的随机指针 random &#xff0c;该指针可以指向链表中的任何节点或空节点。 构造这个链表的 深拷贝。 深拷贝应该正好由 n 个 全新 节点组成&#xff0c;其中每个新节点的值都设为其对应的原节点的值。新节点…

4个解决特定的任务的Pandas高效代码

在本文中&#xff0c;我将分享4个在一行代码中完成的Pandas操作。这些操作可以有效地解决特定的任务&#xff0c;并以一种好的方式给出结果。 从列表中创建字典 我有一份商品清单&#xff0c;我想看看它们的分布情况。更具体地说&#xff1a;希望得到唯一值以及它们在列表中出…

力扣labuladong——一刷day64

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、力扣515. 在每个树行中找最大值二、力扣637. 二叉树的层平均值三、力扣958. 二叉树的完全性检验 前言 二叉树大部分题目都可以用递归的算法解决&#xff0c…

uniapp 微信小程序连接蓝牙卡死

解决方法&#xff0c;需要同意隐私保护协议&#xff0c;否则不能开启蓝牙权限和定位权限&#xff0c;会导致定位失败

实用工具网站合集值得收藏![搜嗖工具箱]

最近一段时间有点忙&#xff0c;一直没有更新在此给大家说声抱歉哈&#xff0c;有些小伙伴儿私信说想要用到的工具&#xff0c;茶壶儿也会尽可能满足大家&#xff01;今天我们要分享的工具主要有以下几款&#xff0c;我们来一起看一下吧&#xff1f; 一帧秒创 https://aigc.y…

万界星空科技灯具行业MES介绍

中国是LED照明产品最大的生产制造国&#xff0c;如今&#xff0c;我国初步形成了包括LED外延片的生产、LED芯片的制备、LED芯片的封装以及LED产品应用在内的较为完超为产业链&#xff0c;随着LED照明市场渗诱率的快速警升&#xff0c;LED下游应用市场将会越来越广阔。这也将推动…

电机工厂怎么才能有效的管理生产?

电机工厂要想更有效地管理&#xff0c;可以从以下几个方面入手&#xff1a;采用数字化软件管理工具 数字化软件管理工具可以帮助电机工厂实现工艺流程自动化、数据管理、生产计划排程等。例如&#xff0c;采用ERP&#xff08;企业资源计划&#xff09;系统可以协调管理生产过程…