MIT线性代数笔记-第二十二讲

对角化公式

假设A有n个独立的eigenvector,将它们放入矩阵S中(也叫作eigenvectors matrix)

S被叫作eigenvectors matrix
$\Lambda$这个diagonal matrix被叫作eigenvalues matrix

公式如下:
$AS = S\Lambda$
可以对它做如下转换:
$S^{-1}AS = \Lambda$(这就是对角化公式!!!)
$A = S\Lambda S^{-1}$,注意，这是除$A = LU,A = QR$之外的新的矩阵分解

有两点需要注意:
1.对矩阵做幂运算，eigenvalue跟着变，eigenvector不变
2.eigenvalue和eigenvector提供了一种计算矩阵幂的方式

一个定理:

如果特征值的绝对值小于1，那么在k趋近于无穷大时,$A^k - > 0$

以上得到的公式和定理都是基于一个假设，也就是A有n个独立的eigenvectors,那么这个假设在什么情况下成立？
A is sure to have n indep eigenvectors(and can be diagonalizable) if all the $\lambda's$ are different(no repeated $\lambda's$)
repeated eigenvalues may or may not have n indep evectors

这段话里面有一点需要注意:
当有重复的eigenvalues时，不代表一定不能得到n个独立的eigenvectors,典型的例子是单位矩阵，eigenvalue全部等于1，但是eigenvector独立(即为单位矩阵对应的列)

来看看没有eigenvector不独立的例子:
$A = \left[ \begin{matrix} 2 & 1 \\ 0 & 2 \end{matrix} \right]$
$\lambda_1 = 2,\lambda_2 = 2$

$A - 2I = \left[ \begin{matrix} 0 & 1 \\ 0 & 0 \end{matrix} \right]$
无法找到两个独立的eigenvector

来看一看利用到矩阵对角化的例子:
Equation: $u_{k + 1} = Au_k$
start with given vector $u_0$
$u_1 = Au_0,u_2 = A^2u_0,u_k = A^ku_0$

我们看到，只需把向量$u_0$初始化为eigenvectors的线性组合，就可以很容易得出迭代100次后的$u_100$

那么知道这些有什么用？我们来看看斐波拉契数列:

F的增长速度如何得知?
$F_{100} \approx C_1(\frac{1 + \sqrt{5}}{2})^{100}$

为了更好的了解为什么F的增长速度由$\frac{1 + \sqrt{5}}{2}$决定，我们看看之前求出的u的递推式:

实际上，由于$\lambda_2很小，所以在100次方之后接近消失，因此u由c_1\lambda_1^{100}x_1主导了$

我们来求一下特征向量
$A - \lambda I = \left[ \begin{matrix} 1 - \lambda & 1 \\ 1 & \lambda \end{matrix} \right]$

也就是$c_1x_1 + c_2x_2 = u_0$,只要解出$c_1$,问题就解决了