MIT 18.06 linear algebra 第二十二讲笔记
第二十二课课程笔记
- Diagonaliging a matrix S−1AS=Λ S − 1 A S = Λ
- Powers of A | equation Uk+1=AUk U k + 1 = A U k
假设 A A 有个独立的特征向量,现在我们把它们作为列向量塞进矩阵 S S 。
[x1x2⋯xn]⎡⎣⎢⎢⎢⎢⎢λ10⋮00λ2⋮0⋯⋯⋱⋯00⋮λn⎤⎦⎥⎥⎥⎥⎥=SΛ
[
x
1
x
2
⋯
x
n
]
[
λ
1
0
⋯
0
0
λ
2
⋯
0
⋮
⋮
⋱
⋮
0
0
⋯
λ
n
]
=
S
Λ
。
进而我们可以得出
S−1AS=Λ
S
−
1
A
S
=
Λ
。这个过程称为矩阵的对角化。
A=SΛS−1
A
=
S
Λ
S
−
1
这是另一种矩阵分解的方式。对角阵即特征值沿对角线排列组成的矩阵。
如果 Ax=λx A x = λ x ,那么 A2x=λAx=λ2x A 2 x = λ A x = λ 2 x 。 A2=SΛS−1SΛS−1=SΛ2S−1 A 2 = S Λ S − 1 S Λ S − 1 = S Λ 2 S − 1 ,继而 Ak=SΛkS−1 A k = S Λ k S − 1 。当然这些成立的前提条件就是矩阵 A A 存在个互相独立的特征值。如果不存在 n n 个相互独立的特征向量,矩阵就不能对角化。
如果趋近于0,由于其可以被拆解为 SΛkS−1 S Λ k S − 1 ,因此只有所有的 |λi|<1 | λ i | < 1 才行。
如果矩阵 A A 有个不相同的特征值(无重复),那么 A A 一定有个相互独立的特征向量,因此矩阵可以被对角化。存在重复的特征值,不一定不能被对角化。它有可能存在 n n 个相互独立的特征向量。
如果矩阵就是对角阵,那么对其对角化有 A=Λ A = Λ 。
如果有下等式 Uk+1=AUk U k + 1 = A U k 。起始值为 U0 U 0 , U1=AU0 U 1 = A U 0 ,这种方程称之为一阶差分方程。首先我们可以把起始值 U0 U 0 写为 U0=C1x1+C2x2+⋯+Cnxn U 0 = C 1 x 1 + C 2 x 2 + ⋯ + C n x n 。又可以把 AU0 A U 0 写为 C1λx1+C2λx2+⋯+Cnλxn C 1 λ x 1 + C 2 λ x 2 + ⋯ + C n λ x n ,进而有 AkU0=C1λkx1+C2λkx2+⋯+Cnλkxn A k U 0 = C 1 λ k x 1 + C 2 λ k x 2 + ⋯ + C n λ k x n
再看一个关于斐波那契数列的例子:
0,1,1,2,3,5,8,13….,从第三项开始,每项的值等于前两项之和。我们用
F1,F2,F3,…,Fn
F
1
,
F
2
,
F
3
,
…
,
F
n
来表示斐波那契数列的每一项。根据规律有
Fk+2=Fk+Fk+1
F
k
+
2
=
F
k
+
F
k
+
1
。这时候就要用到一个小技巧了。我们可以看到这个递推公式是二阶差分方程,我们最好想办法将其转换为一阶差分方程。
解:令 Uk=[Fk+1Fk] U k = [ F k + 1 F k ] 。有 {Fk+2=Fk+1+FkFk+1=Fk+1 { F k + 2 = F k + 1 + F k F k + 1 = F k + 1 ,因而有 [Fk+2Fk+1]=[1110][Fk+1Fk] [ F k + 2 F k + 1 ] = [ 1 1 1 0 ] [ F k + 1 F k ]
求解矩阵 [1110] [ 1 1 1 0 ] 的特征值与特征向量,进而可以求得 λ=1±5√2 λ = 1 ± 5 2 。 [1−λ11−λ]x=0 [ 1 − λ 1 1 − λ ] x = 0 ,将 [λ1] [ λ 1 ] 就是特征向量,代入即可。