美文网首页
线性代数之——对角化和 A 的幂

线性代数之——对角化和 A 的幂

作者: seniusen | 来源:发表于2018-11-28 14:08 被阅读3次

利用特征向量的属性,矩阵 A 可以变成一个对角化矩阵 \Lambda

1. 对角化

假设一个 n×n 的矩阵 An 个线性不相关的特征向量 x_1,\cdots,x_n ,把它们作为特征向量矩阵 S 的列,那么就有 S^{-1}AS=\Lambda

矩阵 A 被对角化了,因为所有的特征向量位于矩阵 \Lambda的对角线上。

证明过程也很简单,首先我们计算 AS

一个技巧就是将 AS 分解成 S\Lambda

所以我们有

AS=S\Lambda \quad S^{-1}AS=\Lambda \quad A=S\Lambda S^{-1}

矩阵 S 有逆矩阵,因为我们假设它的列是 n 个线性不相关的特征向量。如果没有 n 个线性不相关的特征向量,我们就不能进行对角化。

A=S\Lambda S^{-1} 可得,A^2=S\Lambda S^{-1}S\Lambda S^{-1} = S\Lambda^2 S^{-1},平方后我们得到S 中相同的特征向量和 \Lambda 中平方的特征值。同理,我们可以得到 k 次方为 A^k=S\Lambda^k S^{-1}

k=1 时,我们得到 A.当 k=0 时,我们得到 A^0=I。当 k=-1 时,我们得到 A^{-1}

再继续往下进行之前,有几点需要我们注意。

  • 如果特征值 \lambda_1,\cdots,\lambda_n 全部都不相同,那么自动地特征向量 x_1,\cdots,x_n 就是线性不相关的。任意没有重复特征值的矩阵都可以被对角化。

证明:

假设 c_1x_1 + \cdots+c_nx_n = 0,我们乘以矩阵 A,有

\tag{1} c_1\lambda_1x_1 + \cdots+c_n\lambda_nx_n = 0

然后,乘以 \lambda_{n} 并减去上面的式子 (1),有

\tag{2} c_1\lambda_{n}x_1 + \cdots+c_n\lambda_{n}x_n = 0

\tag{3} c_1(\lambda_{n}-\lambda_1)x_1 + \cdots+c_{n-1}(\lambda_{n}-\lambda_1)x_{n-1} = 0

这会消去 x_n,我们继续用 (3) 式分别乘以 A\lambda_{n-1},再相减, x_{n-1} 就也被消去了。一直重复这个过程,最后,我们就只剩下了 x_1

\tag{4} c_1(\lambda_{n}-\lambda_1)(\lambda_{n-1}-\lambda_1)\cdots(\lambda_{2}-\lambda_1)x_1= 0

因为特征值互不相同,因此有 c_1 = 0,同理我们可得所有的系数都为 0,也即零空间只有零向量,所以这些特征向量是线性不相关的。

  • 特征向量乘以任意非零常数后,Ax = \lambda x 仍然成立。

  • 特征向量在 S 中的顺序和特征值在 \Lambda 中的顺序是一样的,也就是特征向量和特征值必须一一对应。

在上面的例子中,如果我们互换特征向量的顺序,那么 \Lambda 中特征值的顺序也要相应改变。

  • 一些矩阵没有足够的特征向量,因此不能被对角化,特别是注意有重复特征值的情况。

而且要注意,可逆性和可对角化性之间没有联系。可逆性和是否存在零特征值有关,而可对角化性和是否有足够的特征向量有关

2. 斐波那契数列

斐波那契序列满足 F_{k+2} = F_{k+1} + F_{k}。为了找到 F_{100},我们可以从 F_{2} 开始,每次求出一个新的值,直至得到 F_{100}。线性代数则给出了一个更好的方法,我们将之转化为 u_{k+1}=Au_k 的问题。

每一次我们都乘以矩阵 A,100 次后我们就得到了 u_{100}=A^{100}u_0

这样,我们就可以利用特征值来求解了。

求解特征方程,我们可以得到两个特征值分别为:

进而得到两个特征向量分别为:

x_1 = \begin{bmatrix}\lambda_1\\ 1\end{bmatrix} \quad x_2 = \begin{bmatrix}\lambda_2\\ 1\end{bmatrix}

然后我们将 u_0 表示为特征向量的线性组合。

那么就有

u_{100}=A^{100}u_0 = \frac{1}{\lambda_1 - \lambda_2}A^{100}(x_1-x_2) = \frac{\lambda_1^{100}x_1 - \lambda_2^{100}x_2}{\lambda_1 - \lambda_2}

上式中的第二项底数小于 0.5,因此会渐渐趋向于 0,也就是说随着 n 增大逐渐只有第一项有效。

\frac{F_{101}}{F_{100}} \approx \frac{1+\sqrt{5}}{2}\approx 1.618

这个数字就是我们众所周知的黄金比例。

3. A 的幂

斐波那契数列是一个典型的差分方程,每一步我们都乘以矩阵 A。下面我们来看一下对角化是怎么来快速计算 A^k 的。

A^k u_0= (S\Lambda S^{-1})\cdots(S\Lambda S^{-1})u_0 = S\Lambda^{k} S^{-1}u_0

然后我们将 u_0 表示为特征向量的线性组合

  • u_0 = c_1x_1+\cdots+c_nx_n \to u_0=Sc \to c = S^{-1}u_0

  • Au_0 = c_1Ax_1+\cdots+c_nAx_n =c_1\lambda_1x_1+\cdots+c_n\lambda_nx_n

  • A^ku_0 = c_1\lambda_1^kx_1+\cdots+c_n\lambda_n^kx_n = S\Lambda^kc

4. 不可对角化矩阵

特征值 \lambda 可能会有重复情况,这时候我们想知道它的重复度(multiplicity),有两种方法来计量。

  • 几何重数(Geometric Multiplicity)与特征值 \lambda 对应的线性不相关的特征向量的个数
  • 代数重数(Algebraic Multiplicity)特征值 \lambda 的重复次数,也就是 det(A-\lambda I) 的重根数

几何重数小于等于代数重数。

几何重数小于代数重数说明特征向量数量不够,也就是说 A 不能被对角化。

5. ABA+B 的特征值

让我们来猜一猜 AB 的特征值是多少?

你可能会说是它们各自特征值的积。

ABx = A\beta x = \beta Ax=\beta\lambda x

但是,通常情况下 AB 的特征向量是不相同的,因此上面的证明是错误的。同样,两个矩阵各自特征值的和也通常不是两个矩阵和的特征值。

但是,如果 x 同时是 AB 的特征向量。那么有

ABx = \lambda\beta x = BAx \to AB = BA

因此,如果 AB 都可以被对角化,它们拥有相同的特征向量当且仅当 AB=BA

获取更多精彩,请关注「seniusen」!


相关文章

  • 线性代数之——对角化和 A 的幂

    利用特征向量的属性,矩阵 可以变成一个对角化矩阵 。 1. 对角化 假设一个 的矩阵 有 个线性不相关的特...

  • 【MIT】22-Diagonalization and Powe

    内容 本讲的主要内容是:矩阵A的对角化以及A矩阵的幂。 ● - 矩阵A的对角化:什么样的A才能对角化,矩阵A(nx...

  • 线性代数之——对角化和伪逆

    这部分我们通过选择更好的基底来产生更好的矩阵。当我们的目标是对角化矩阵时,一个选择可以是一组特征向量基底,另外一个...

  • MIT 线性代数 22 对角化和A的幂,差分方程的线性代数解法

    一.对角化和矩阵的幂次计算 假设矩阵有个线性无关的特征向量,这些特征向量按列组成特征向量矩阵则 (称为对角特征值矩...

  • 线性代数笔记22

    对角化和A的幂 将A对角化 S:将矩阵A的特征向量按列组成矩阵S,A的特征向量矩阵而S需要是可逆的所以需要n个线性...

  • 第22课 对角化和A的幂

    特征向量矩阵 将矩阵的特征向量按列组成矩阵,特征向量矩阵必须可逆(个线性无关特征向量) 假设有几个线性无关特性向量...

  • 口腔白斑

    口腔白斑分为口腔白色角化症和口腔白斑病 口腔白色角化症又称为口腔白角化病,良性角化病,前白斑,为长期的机械性或化学...

  • 平成30/2

    第1题线性代数 微分方程组 矩阵的特征值、特征向量 对角化(正则矩阵=?正交矩阵、对角矩阵) 微分方程的求法 第2...

  • 怎样快速治疗毛周角化症?

    毛周角化症,又称毛周角化、毛囊角化症、毛囊角化、毛孔角化症、毛孔角化、毛发苔藓、鸡皮肤等。 部分患者症状较重,影响...

  • 这也能掰?杨幂是要被恋爱多少次?

    自从杨幂和刘恺威官宣离婚之后,杨幂的感情生活就没平静过,网友们对杨幂是真爱啊,想要大幂幂尽快找到新的幸福。 杨幂和...

网友评论

      本文标题:线性代数之——对角化和 A 的幂

      本文链接:https://www.haomeiwen.com/subject/orhaqqtx.html