1.对角化
对于矩阵
A
A
A,我们假设有
n
n
n个向量。
将他们放置在一起组成矩阵
S
S
S。
A
S
=
A
[
X
1
X
2
.
.
.
X
n
]
=
[
λ
1
X
1
λ
2
X
2
.
.
.
λ
n
X
n
]
=
[
X
1
X
2
.
.
.
X
n
]
[
λ
1
λ
2
λ
3
⋱
λ
n
]
AS=A[X_1X_2...X_n]=[\lambda_1X_1\ \lambda_2X_2...\lambda_nX_n]=[X_1X_2...X_n] \begin{bmatrix} \lambda_1& &&&\\ &\lambda_2&&&\\ &&\lambda_3&&\\ &&&\ddots&\\ &&&&\lambda_n \end{bmatrix}
AS=A[X1X2...Xn]=[λ1X1 λ2X2...λnXn]=[X1X2...Xn]
λ1λ2λ3⋱λn
我们把
n
n
n个特征值的方程称为
Λ
\Lambda\\
Λ
则
A
S
=
S
Λ
AS=S\Lambda
AS=SΛ
若
S
S
S可逆,即使
A
A
A存在
n
n
n个独立特征根。
A
=
S
Λ
S
−
1
A=S\Lambda S^{-1}
A=SΛS−1
这种形式叫做施密特格拉姆正交化。
有什么用呢?可以来简化幂次的运算罢了。
假设
A
A
A有特征值
λ
\lambda
λ
A
X
=
λ
X
A
2
X
=
A
A
X
=
A
λ
X
=
λ
A
X
=
λ
λ
X
=
λ
2
X
AX=\lambda X \\ A^{2} X=AAX= A\lambda X=\lambda AX=\lambda \lambda X=\lambda^{2}X
AX=λXA2X=AAX=AλX=λAX=λλX=λ2X
所以
A
k
A^{k}
Ak的
n
n
n个特征值对应
A
A
A的
n
n
n个特征值的
k
k
k次方。
对于
A
2
A^2
A2
A
2
=
S
Λ
S
−
1
S
Λ
S
−
1
=
S
Λ
2
S
−
1
A^2=S\Lambda S^{-1}S\Lambda S^{-1}=S\Lambda^{2}S^{-1}
A2=SΛS−1SΛS−1=SΛ2S−1
再推广可得
A
k
=
S
Λ
k
S
−
1
A^{k}=S\Lambda^{k}S^{-1}
Ak=SΛkS−1
2. A的幂
A
k
→
0
a
s
k
→
∞
A^{k} \to 0\ as\ k\to \infin
Ak→0 as k→∞
这样的矩阵我们称为稳定的矩阵。
矩阵稳定条件,若有
n
n
n个独立特征向量;
即可以施密特格拉姆正交化
A
=
S
Λ
S
−
1
A=S\Lambda S^{-1}
A=SΛS−1
需要满足
∀
∣
λ
i
∣
<
1
,
1
≤
i
≤
n
\forall \lvert \lambda_i\rvert \lt1, 1 \le i \le n
∀∣λi∣<1,1≤i≤n
特征值与矩阵可正交化关系
- 如果矩阵 A A A存在 n n n个互不相同的特征值则, A A A必然有 n n n个独立的特征向量
- 如果矩阵
A
A
A存在重复的特征根,则
A
A
A可能但不一定存在
n
n
n个线性无关特征向量
2.1举例子单位矩阵
2.2 A = [ 2 1 0 2 ] , λ = 2 , X = [ 1 0 ] A=\begin{bmatrix} 2 & 1\\0 & 2\end{bmatrix},\lambda=2,X=\begin{bmatrix}1\\0\end{bmatrix} A=[2012],λ=2,X=[10]
3. A k A^{k} Ak的应用
引入
求解
u
k
+
1
=
A
u
k
u_{k+1}=Au_{k}
uk+1=Auk
如果已知
u
0
u_0
u0,我们可以推导
u
1
=
A
u
0
u
2
=
A
u
1
=
A
2
u
0
⋯
u
k
=
A
k
u
0
u_1=Au_0\\ u_2=Au_1=A^2u_0\\ \cdots\\ u_k=A^{k}u_0
u1=Au0u2=Au1=A2u0⋯uk=Aku0
我们把
u
0
u_0
u0分解到
S
S
S的列空间上
u
0
=
c
1
X
1
+
c
2
X
2
+
⋯
+
c
n
X
n
S
c
=
u
0
u_0=c_1X_1+c_2X_2+\cdots+c_nX_{n}\\ Sc=u_0
u0=c1X1+c2X2+⋯+cnXnSc=u0
乘上
A
A
A
A
u
0
=
c
1
A
X
1
+
c
A
X
2
+
⋯
+
c
n
X
n
Au_0=c_1AX_1+cAX_2+\cdots+c_nX_n
Au0=c1AX1+cAX2+⋯+cnXn
化为
λ
\lambda
λ形式
A
X
k
=
λ
k
X
k
A
u
0
=
c
1
λ
1
X
1
+
c
2
λ
2
X
2
+
⋯
+
c
n
λ
n
X
n
AX_k=\lambda_kX_k\\ Au_0=c_1\lambda_1X_1+c_2\lambda_2X_2+\cdots+c_n\lambda_nX_n
AXk=λkXkAu0=c1λ1X1+c2λ2X2+⋯+cnλnXn
重复上面两步
k
k
k次得到
A
k
+
1
u
0
=
c
1
λ
1
k
X
1
+
c
2
λ
2
k
X
2
+
⋯
+
c
n
λ
n
k
X
n
A
k
+
1
u
0
=
Λ
k
S
c
=
Λ
k
u
0
A^{k+1}u_0=c_1\lambda_1^{k}X_1+c_2\lambda_2^{k}X_2+\cdots+c_n\lambda_n^{k}X_n\\ A^{k+1}u_0=\Lambda^{k} Sc=\Lambda^{k}u_0
Ak+1u0=c1λ1kX1+c2λ2kX2+⋯+cnλnkXnAk+1u0=ΛkSc=Λku0
3.1 求解斐波拉契通项公式
F
i
b
o
n
a
c
c
i
Fibonacci
Fibonacci数列:
0
,
1
,
1
,
2
,
3
,
5
,
8
,
13
,
21
,
34
,
⋯
0,1,1,2,3,5,8,13,21,34,\cdots
0,1,1,2,3,5,8,13,21,34,⋯,求第
F
100
?
F_{100}?
F100?
我们令
u
k
=
[
F
k
+
1
F
k
]
u
k
+
1
=
[
1
1
1
0
]
u
k
u
k
+
1
=
A
k
u
0
u_k=\begin{bmatrix} F_{k+1}\\ F_{k} \end{bmatrix}\\ u_{k+1}=\begin{bmatrix} 1 & 1\\ 1 & 0 \end{bmatrix} u_k\\ u_{k+1}=A^{k}u_0
uk=[Fk+1Fk]uk+1=[1110]ukuk+1=Aku0
根据数列我们可以知道
u
0
=
[
1
0
]
u_0=\begin{bmatrix} 1\\0 \end{bmatrix}
u0=[10]
将它化成分散到
A
A
A的列空间上
u
0
=
c
1
X
1
+
c
2
X
2
+
c
3
X
3
+
⋯
+
c
n
X
n
u
0
=
S
c
u_0=c_1X_1+c_2X_2+c_3X_3+\cdots+c_nX_n\\ u_0=Sc
u0=c1X1+c2X2+c3X3+⋯+cnXnu0=Sc
将上式带入
u
k
+
1
=
A
k
u
0
u_{k+1}=A^{k}u_0
uk+1=Aku0
u
k
+
1
=
A
k
S
c
u_{k+1}=A^{k}Sc\\
uk+1=AkSc
由
A
S
=
S
Λ
AS=S\Lambda
AS=SΛ得到
u
k
+
1
=
S
Λ
k
c
u_{k+1}=S\Lambda^{k}c
uk+1=SΛkc
只需要求得特征向量和特征矩阵和将
u
0
u_0
u0放入
S
S
S列空间中即可求出值
特征值计算
d
e
t
[
1
−
λ
1
1
−
λ
]
=
0
λ
2
−
λ
−
1
=
0
det\ \begin{bmatrix} 1 - \lambda & 1\\ 1 & -\lambda \end{bmatrix}=0\\ \lambda^2-\lambda-1=0
det [1−λ11−λ]=0λ2−λ−1=0
特征向量为
X
=
[
λ
1
]
X=\begin{bmatrix}\lambda \\ 1 \end{bmatrix}
X=[λ1]
求得两个特征值为
λ
1
=
1
+
5
2
λ
2
=
1
−
5
2
\lambda_1=\frac{1+\sqrt{5}}{2}\\ \lambda_2=\frac{1-\sqrt{5}}{2}
λ1=21+5λ2=21−5
所以对应特征向量矩阵
S
S
S
S
=
[
1
+
5
2
1
−
5
2
1
1
]
S=\begin{bmatrix} \frac{1+\sqrt{5}}{2} & \frac{1-\sqrt{5}}{2}\\ 1 & 1 \end{bmatrix}
S=[21+5121−51]
再根据克拉默法则可求得
S
c
=
u
0
Sc=u_0
Sc=u0中
c
c
c
c
=
[
1
5
−
1
5
]
c=\begin{bmatrix} \frac{1}{\sqrt{5}}\\ -\frac{1}{\sqrt{5}}\\ \end{bmatrix}
c=[51−51]
特征值矩阵
Λ
\Lambda
Λ为
Λ
=
[
1
+
5
2
0
0
1
−
5
2
]
\Lambda=\begin{bmatrix} \frac{1+\sqrt{5}}{2} & 0\\ 0 &\frac{1-\sqrt{5}}{2} \\ \end{bmatrix}
Λ=[21+50021−5]
对于我们构造的矩阵
u
k
+
1
u_{k+1}
uk+1
u
k
+
1
=
A
k
u
0
=
S
Λ
k
c
=
[
1
+
5
2
1
−
5
2
1
1
]
[
(
1
+
5
2
)
k
0
0
(
1
−
5
2
)
k
]
[
1
5
−
1
5
]
=
[
(
1
+
5
2
)
k
+
1
(
1
−
5
2
)
k
+
1
(
1
+
5
2
)
k
(
1
−
5
2
)
k
]
[
1
5
−
1
5
]
=
[
F
k
+
1
F
k
]
\begin{align} u_{k+1}=A^{k}u_0=S\Lambda^{k}c &= \begin{bmatrix} \frac{1+\sqrt{5}}{2} & \frac{1-\sqrt{5}}{2}\\ 1 & 1 \end{bmatrix} \begin{bmatrix} \big(\frac{1+\sqrt{5}}{2}\big)^{k} & 0\\ 0 &\big(\frac{1-\sqrt{5}}{2}\big)^{k} \\ \end{bmatrix} \begin{bmatrix} \frac{1}{\sqrt{5}}\\ -\frac{1}{\sqrt{5}}\\ \end{bmatrix} \nonumber\\ &= \begin{bmatrix} \big(\frac{1+\sqrt{5}}{2}\big)^{k+1} & \big(\frac{1-\sqrt{5}}{2}\big)^{k+1} \\ \big(\frac{1+\sqrt{5}}{2}\big)^{k} &\big(\frac{1-\sqrt{5}}{2}\big)^{k} \\ \end{bmatrix}\begin{bmatrix} \frac{1}{\sqrt{5}}\\ -\frac{1}{\sqrt{5}}\\ \end{bmatrix} \nonumber \\ &= \begin{bmatrix} F_{k+1} \\F_k \end{bmatrix}\nonumber \end{align}
uk+1=Aku0=SΛkc=[21+5121−51][(21+5)k00(21−5)k][51−51]=[(21+5)k+1(21+5)k(21−5)k+1(21−5)k][51−51]=[Fk+1Fk]
由此可以得到
f
i
b
o
n
a
c
c
i
fibonacci
fibonacci的通项公式
F
k
=
1
5
[
(
1
+
5
2
)
k
−
(
1
−
5
2
)
k
]
F_{k}=\frac{1}{\sqrt{5}} \big[ \big( \frac{1+\sqrt{5}}{2}\big)^{k} -\big(\frac{1-\sqrt{5}}{2}\big)^{k} \big]
Fk=51[(21+5)k−(21−5)k]
4. 勘误
Lec22视频32:34推导的公式
应为
S
Λ
k
c
而非
Λ
k
S
c
u
k
+
1
=
A
k
u
0
A
S
=
S
Λ
u
k
+
1
=
S
Λ
k
c
Λ
S
≠
S
Λ
,
Λ
≠
I
∧
Λ
≠
S
−
1
应为S\Lambda^kc而非\Lambda^{k}Sc\\ u_{k+1}=A^{k}u_0\\ AS=S\Lambda\\ u_{k+1}= S\Lambda^{k}c\\ \Lambda S \ne S \Lambda, \Lambda \ne I \wedge \Lambda \ne S^{-1}
应为SΛkc而非ΛkScuk+1=Aku0AS=SΛuk+1=SΛkcΛS=SΛ,Λ=I∧Λ=S−1