方陣的特征向量是什么 特征向量和矩陣的關(guān)系
什么叫 矩陣的特征向量 和特征值?矩陣的特征向量怎么求?什么是特征向量?特征值?矩陣的特征值和特征向量,矩陣特征值與特征向量是什么?矩陣的特征值和特征向量是什么?
本文導(dǎo)航
特征向量和矩陣的關(guān)系
只說定義吧 [意義,太重要。用途,太多。幾句話說不清,不說了!]
n階方陣A,行列式|λE-A| [E是n階單位矩陣,λ是變量。這是λ的n次多項(xiàng)式,首
項(xiàng)系數(shù)是1] 叫做A的特征多項(xiàng)式,[f(λ)=|λE-A|].f(λ)=0的根(n
個(gè)),都叫A的特征值。
如果λ0是A的一個(gè)特征值,|λ0E-A|=0,(λ0E-A)為降秩矩陣,線性方程組
(λ0E-A)X=0 [X=(x1,x2,……xn)′是未知的n維列向量] 必有非零解,
每個(gè)非零解就叫矩陣A的關(guān)于特征值λ0的一個(gè)特征向量。
[特征方法是線性代數(shù)的核心內(nèi)容之一,也是其他很多數(shù)學(xué)分支的重要內(nèi)容,可
要認(rèn)真對待了!]
矩陣的特征向量
矩陣的特征方程式是:
A * x = lamda * x
這個(gè)方程可以看出什么?矩陣實(shí)際可以看作一個(gè)變換,方程左邊就是把向量x變到另一個(gè)位置而已;右邊就是把向量x作了一個(gè)拉伸,拉伸量是lamda。那么它的意義就很明顯了,表達(dá)了矩陣A的一個(gè)特性就是這個(gè)矩陣可以把向量x拉長(或縮短)lamda倍,僅此而已。
任意給定一個(gè)矩陣A,并不是對所有的x它都能拉長(縮短)。凡是能被A拉長(縮短)的向量稱為A的特征向量(Eigenvector);拉長(縮短)量就為這個(gè)特征向量對應(yīng)的特征值(Eigenvalue)。
值得注意的是,我們說的特征向量是一類向量,因?yàn)槿我庖粋€(gè)特征向量隨便乘以一個(gè)標(biāo)量結(jié)果肯定也滿足以上方程,當(dāng)然這兩個(gè)向量都可以看成是同一個(gè)特征向量,而且它們也都對應(yīng)同一個(gè)特征值。
如果特征值是負(fù)數(shù),那說明了矩陣不但把向量拉長(縮短)了,而且讓向量指向了相反的方向。
擴(kuò)展資料
矩陣的意義上,先介紹幾個(gè)抽象概念:
1、核:
所有經(jīng)過變換矩陣后變成了零向量的向量組成的集合,通常用Ker(A)來表示。假如你是一個(gè)向量,有一個(gè)矩陣要來變換你,如果你不幸落在了這個(gè)矩陣的核里面,那么很遺憾轉(zhuǎn)換后你就變成了虛無的零。
特別指出的是,核是“變換”(Transform)中的概念,矩陣變換中有一個(gè)相似的概念叫“零空間”。有的材料在談到變換的時(shí)候使用T來表示,聯(lián)系到矩陣時(shí)才用A,本文把矩陣直接看作“變換”。核所在的空間定義為V空間,也就是全部向量原來在的空間。
2、值域:
某個(gè)空間中所有向量經(jīng)過變換矩陣后形成的向量的集合,通常用R(A)來表示。假設(shè)你是一個(gè)向量,有一個(gè)矩陣要來變換你,這個(gè)矩陣的值域表示了你將來可能的位置,你不可能跑到這些位置之外。值域的維度也叫做秩(Rank)。值域所在的空間定義為W空間。W空間中不屬于值域的部分等會兒我們會談到。
3、空間:
向量加上加、乘運(yùn)算構(gòu)成了空間。向量可以(也只能)在空間中變換。使用坐標(biāo)系(基)在空間中描述向量。
不管是核還是值域,它們都是封閉的。意思是如果你和你的朋友困在核里面,你們不管是相加還是相乘都還會在核里面,跑不出去。這就構(gòu)成了一個(gè)子空間。值域同理。
特征值和特征向量有關(guān)系嗎
將A分別作用在u和v上,也就是計(jì)算Au和Av:
畫個(gè)圖就是:
Av=2v,A對v的作用,僅僅是將v延長了,這個(gè)系數(shù)2就叫特征值;而被矩陣A延長的向量(2,1),就是特征向量。下面給出數(shù)學(xué)定義。A為nxn矩陣,x為非零向量。若存在數(shù)λ,使Ax=λx成立,則稱λ為A的特征值,x稱為對應(yīng)于λ的特征向量。
特征值有兩個(gè)很特別的規(guī)律,分別是:
1、特征值的和,等于矩陣對角線的和(跡)。
2、特征值的積,等于矩陣的行列式。
擴(kuò)展資料:
定理
譜定理在有限維的情況,將所有可對角化的矩陣作了分類:它顯示一個(gè)矩陣是可對角化的,當(dāng)且僅當(dāng)它是一個(gè)正規(guī)矩陣。注意這包括自共軛(厄爾米特)的情況。這很有用,因?yàn)閷腔仃嘥的函數(shù)f(T)(譬如波萊爾函數(shù)f)的概念是清楚的。
在采用更一般的矩陣的函數(shù)的時(shí)候譜定理的作用就更明顯了。例如,若f是解析的,則它的形式冪級數(shù),若用T取代x,可以看作在矩陣的巴拿赫空間中絕對收斂。譜定理也允許方便地定義正算子的唯一的平方根。
譜定理可以推廣到希爾伯特空間上的有界正規(guī)算子,或者無界自共軛算子的情況。
求特征值,描述正方形矩陣的特征值的重要工具是特征多項(xiàng)式,λ是A的特征值等價(jià)于線性方程組(A – λI) v = 0 (其中I是單位矩陣)有非零解v (一個(gè)特征向量),因此等價(jià)于行列式|A – λI|=0; 。
函數(shù)p(λ) = det(A – λI)是λ的多項(xiàng)式,因?yàn)樾辛惺蕉x為一些乘積的和,這就是A的特征多項(xiàng)式。矩陣的特征值也就是其特征多項(xiàng)式的零點(diǎn)。
一個(gè)矩陣A的特征值可以通過求解方程pA(λ) = 0來得到。 若A是一個(gè)n×n矩陣,則pA為n次多項(xiàng)式,因而A最多有n個(gè)特征值。
反過來,代數(shù)基本定理說這個(gè)方程剛好有n個(gè)根,如果重根也計(jì)算在內(nèi)的話。所有奇數(shù)次的多項(xiàng)式必有一個(gè)實(shí)數(shù)根,因此對于奇數(shù)n,每個(gè)實(shí)矩陣至少有一個(gè)實(shí)特征值。在實(shí)矩陣的情形,對于偶數(shù)或奇數(shù)的n,非實(shí)數(shù)特征值成共軛對出現(xiàn)。
求特征向量,一旦找到特征值λ,相應(yīng)的特征向量可以通過求解特征方程(A – λI) v = 0 得到,其中v為待求特征向量,I為單位陣。沒有實(shí)特征值的一個(gè)矩陣的例子是順時(shí)針旋轉(zhuǎn)90度。
參考資料:百度百科-特征向量
各矩陣特征值和特征向量的關(guān)系
矩陣是一個(gè)非常抽象的數(shù)學(xué)概念,很多同學(xué)都對其望而生畏。但是,如果能夠具體的理解了內(nèi)部含義,就如同打開了一扇新的大門。
本文主要講的是特征向量(Eigenvector)和特征值(Eigenvalue)。
01 特征向量(Eigenvector)是什么?
基向量
我們一般研究數(shù)學(xué),都是在直角坐標(biāo)系中,這就造就了兩個(gè)基向量:v(0,1)和 u(1,0)。
為了說明特征向量,我們先看一下矩陣A和向量B(1,-1):
矩陣A
如果將A和B相乘,結(jié)果如下:
AB和2B
AB
矩陣實(shí)際上可以被看作為一個(gè)變換,AB實(shí)際上表達(dá)的意思是 向量B 通過矩陣A完成了一次變換,有可能只是拉伸,有可能是旋轉(zhuǎn),有可能兩者都有。
2B
上圖中,2B的理解就簡單很多,是將向量B拉長2倍。
那么,特征向量的定義如下:
任意給定一個(gè)矩陣A,并不是對所有的向量B都能被A拉長(縮短)。凡是能被A拉長(縮短)的向量稱為A的特征向量(Eigenvector);拉長(縮短)量就為這個(gè)特征向量對應(yīng)的特征值(Eigenvalue)。
上例中,B就是矩陣A的特征向量,2是特征值。
特征值的求法
02 怎么求矩陣的平方和多次方
矩陣A
還是矩陣A,如果讓你求矩陣A的平方,你可能會覺得挺容易的。
但是,如果讓你求A的100次方呢?
還有那么容易嗎?
按照上面的方法,一點(diǎn)規(guī)律沒有,只能硬著頭皮算。
補(bǔ)充一個(gè)概念:對角矩陣
對角矩陣
對角矩陣,顧名思義,只有對角線上有值,其他位置都是0。為什么對角矩陣特殊,如上圖,C的平方就是對角線上數(shù)的平方,多次方也一樣。
那么,怎么才能將矩陣A轉(zhuǎn)變成矩陣C呢?
這就用到特征值和特征向量了。
A的特征值
A有兩個(gè)特征值,對應(yīng)兩個(gè)特征向量:(1,0)和(1,-1)。
如果我們將兩個(gè)特征向量看作是一個(gè)新的坐標(biāo)系的基向量,并組合成矩陣D:
矩陣的特征向量和特征值應(yīng)用
如下:
n階方陣A,行列式|λE-A| [E是n階單位矩陣,λ是變量。這是λ的n次多項(xiàng)式,首項(xiàng)系數(shù)是1] 叫做A的特征多項(xiàng)式,[f(λ)=|λE-A|].f(λ)=0的根(n個(gè)),都叫A的特征值。
如果λ0是A的一個(gè)特征值,|λ0E-A|=0,(λ0E-A)為降秩矩陣,線性方程組(λ0E-A)X=0 [X=(x1,x2,……xn)′是未知的n維列向量] 必有非零解,每個(gè)非零解就叫矩陣A的關(guān)于特征值λ0的一個(gè)特征向量。
在三維空間中,旋轉(zhuǎn)矩陣有一個(gè)等于單位1的實(shí)特征值。旋轉(zhuǎn)矩陣指定關(guān)于對應(yīng)的特征向量的旋轉(zhuǎn)(歐拉旋轉(zhuǎn)定理)。如果旋轉(zhuǎn)角是 θ,則旋轉(zhuǎn)矩陣的另外兩個(gè)(復(fù)數(shù))特征值是 exp(iθ) 和 exp(-iθ)。從而得出 3 維旋轉(zhuǎn)的跡數(shù)等于 1 + 2 cos(θ),這可用來快速的計(jì)算任何 3 維旋轉(zhuǎn)的旋轉(zhuǎn)角。
3 維旋轉(zhuǎn)矩陣的生成元是三維斜對稱矩陣。因?yàn)橹恍枰齻€(gè)實(shí)數(shù)來指定 3 維斜對稱矩陣,得出只用三個(gè)是實(shí)數(shù)就可以指定一個(gè) 3 維旋轉(zhuǎn)矩陣。
三階矩陣的特征值和特征向量
如下:
n階方陣A,行列式|λE-A| [E是n階單位矩陣,λ是變量。這是λ的n次多項(xiàng)式,首項(xiàng)系數(shù)是1] 叫做A的特征多項(xiàng)式,[f(λ)=|λE-A|].f(λ)=0的根(n個(gè)),都叫A的特征值。
如果λ0是A的一個(gè)特征值,|λ0E-A|=0,(λ0E-A)為降秩矩陣,線性方程組(λ0E-A)X=0 [X=(x1,x2,……xn)′是未知的n維列向量] 必有非零解,每個(gè)非零解就叫矩陣A的關(guān)于特征值λ0的一個(gè)特征向量。
在三維空間中,旋轉(zhuǎn)矩陣有一個(gè)等于單位1的實(shí)特征值。旋轉(zhuǎn)矩陣指定關(guān)于對應(yīng)的特征向量的旋轉(zhuǎn)(歐拉旋轉(zhuǎn)定理)。如果旋轉(zhuǎn)角是 θ,則旋轉(zhuǎn)矩陣的另外兩個(gè)(復(fù)數(shù))特征值是 exp(iθ) 和 exp(-iθ)。從而得出 3 維旋轉(zhuǎn)的跡數(shù)等于 1 + 2 cos(θ),這可用來快速的計(jì)算任何 3 維旋轉(zhuǎn)的旋轉(zhuǎn)角。
特征向量是在矩陣變換下只進(jìn)行“規(guī)則”變換的向量,這個(gè)“規(guī)則”就是特征值。特征向量反映了線性變換的方向,這這幾個(gè)方向上線性變換只導(dǎo)致伸縮,沒有旋轉(zhuǎn);特征值反映線性變換在這幾個(gè)方向上導(dǎo)致的伸縮的大小。
掃描二維碼推送至手機(jī)訪問。
版權(quán)聲明:本文由尚恩教育網(wǎng)發(fā)布,如需轉(zhuǎn)載請注明出處。