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
个线性不相关的特征向量
,把它们作为特征向量矩阵
的列,那么就有
。

矩阵 被对角化了,因为所有的特征向量位于矩阵
的对角线上。
证明过程也很简单,首先我们计算 。

一个技巧就是将 分解成
。

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

由 可得,
,平方后我们得到
中相同的特征向量和
中平方的特征值。同理,我们可以得到
次方为
。

当 时,我们得到
.当
时,我们得到
。当
时,我们得到
。
再继续往下进行之前,有几点需要我们注意。
- 如果特征值
全部都不相同,那么自动地特征向量
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 ,我们乘以矩阵
,有
然后,乘以 并减去上面的式子 (1),有
这会消去 ,我们继续用 (3) 式分别乘以
和
,再相减,
就也被消去了。一直重复这个过程,最后,我们就只剩下了
。
因为特征值互不相同,因此有 ,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,
仍然成立。
-
特征向量在
中的顺序和特征值在
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 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 。为了找到
,我们可以从
开始,每次求出一个新的值,直至得到
。线性代数则给出了一个更好的方法,我们将之转化为
的问题。

每一次我们都乘以矩阵 ,100 次后我们就得到了
。

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:
然后我们将 表示为特征向量的线性组合。

那么就有

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 增大逐渐只有第一项有效。
这个数字就是我们众所周知的黄金比例。
3.
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 。下面我们来看一下对角化是怎么来快速计算
的。
然后我们将 表示为特征向量的线性组合

4. 不可对角化矩阵
特征值 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
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
的重复次数,也就是
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 不能被对角化。
5.
和
的特征值
让我们来猜一猜 的特征值是多少?
你可能会说是它们各自特征值的积。
但是,通常情况下 和
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 同时是
和
的特征向量。那么有
因此,如果 和
都可以被对角化,它们拥有相同的特征向量当且仅当
。
获取更多精彩,请关注「seniusen」!

网友评论