矩阵线性无关的特征向量个数与矩阵的秩的关系

最新推荐文章于 2022-05-29 00:02:24 发布
最新推荐文章于 2022-05-29 00:02:24 发布
阅读量6.4w 收藏 37
点赞数 24
分类专栏： Linear Algebra
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/clarstyle/article/details/41883321
版权

助教姐姐近来发烧在宿舍躺了两天，现在终于满血复活了！再来絮叨一下今天这个好玩的问题。

先来复述一下这两个概念的含义。矩阵的秩，可以看做是这个矩阵代表的线性变换值域的维数。详细来说，一个n维的矩阵A代表了一个n维的线性变换，这个线性变换A能把每一个n维向量变换为一个新的n维向量（当然这两个向量可能是相等的）。而我们把所有n维向量经过这个线性变换A的所有像组成的集合称为这个线性变换值域的维数。也就是说，一个矩阵的秩越大，它的像空间的维数就越大。

而特征值和特征向量的概念大家就更加熟悉了。如果一个线性变换作用在一个向量上，只改变了它的长度不改变它的方向，那这个向量就是这个线性变换的特征向量，而长度改变的比例就是特征值。而特征值的大小也有其意义，特征值越大，说明矩阵在对应的特征向量方向上的包含的信息量就越多。在实际应用中，往往会对包含信息量较小的方向来做降维处理。

所以我们可以看到，矩阵特征值（特征向量）的个数和矩阵的秩并没有什么联系！可能大家都不太愿意接受这个事实，但实际上就是这个样子的:D

如果放在Jordan标准型的概念下来考虑就是这样的：

代数重数：对应某一个特征值的Jordan块的阶数之和

几何重数：对应某一个特征值的Jordan块的个数

矩阵的秩：n减去0这个特征值对应的Jordan块的个数

我们不仅可以由此看到几何重数一定小于等于代数重数，也能看出所有线性无关的特征向量的个数一定小于等于所有特征值（含重数）的个数。

回到咱们今天的主题，为了让大家更确信矩阵线性无关的特征向量个数与矩阵的秩是无关的，我在下面举了几个例子，大于等于小于的情况都有。


转眼就写到熄灯了，大家晚安啦！

clarstyle
关注
  • 24
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
方阵的秩与特征值的关系
12-15
方阵的秩与特征值的关系 方阵的秩与特征值的关系 方阵的秩与特征值的关系
【矩阵论笔记】相似对角化的解法、线性无关特征向量个数
努力奋斗
05-25 3312
步骤 例题 例题2
矩阵的秩,特征值和特征向量 矩阵基础概念
TranSad的博客
01-04 8284
矩阵是非常重要而基础的数学知识了。大学课上学线性代数基本就是在学矩阵的各种操作和运算。在深度学习里，几乎所有的参数也都是存放在矩阵中，并通过矩阵来做各种运算。大概把矩阵的基本知识点复习和总结一下。 行列式和矩阵的区别： 行列式和矩阵特别像，行列式长这样（两边是竖线）： 矩阵长这样： 或这样：（两边是个括号） 1.行列式是一个具体的值，他的值表示为： 这是二阶行列式，还有三阶，四阶行列式等，都可以用一套公式结论去求出值。 行列式我们只说它是“几阶”的，所以行列式的行数和列...
线性方程组的解个数与秩的关系
qq_40019838的博客
08-02 3万+
线性方程组的解个数与秩的关系 对线性方程组Ax=b\mathbf{Ax}=\mathbf{b}Ax=b，其解的数量可以根据A\mathbf{A}A的秩来讨论。A∈Rm×n\mathbf{A} \in \mathbb{R}^{m \times n}A∈Rm×n。 r=m&lt;nr=m&lt;nr=m<n，即矩阵A\mathbf{A}A行满秩，此时A\mathbf{A}A有...
线性代数 特征值和特征向量的理解
qq_43513855的博客
03-24 5003
线性代数 特征值和特征向量的理解 首先，n阶方阵在几何上对应的是某一种线性变换。 n维空间中的一个向量乘以该矩阵，得到的结果就是在空间中对这个向量进行该矩阵对应的线性变换后得到的向量。 因此，特征值和特征向量 AX = λX 的几何含义就是，向量X在经过线性变换A之后，得到的向量只在原向量的基础上线性变化了λ倍，它们仍然是共线的。 一个特征值可能对应着多个特征向量，而一个特征向量只有一个对应的特征值 很好理解，沿某个方向拉伸λ倍的线性变换A，这个方向上的所有向量肯定都是的λ特征向量；而线性变化A是独
一文通俗搞懂线性无关特征向量个数≤特征值重数
yuxuezhang的博客
07-18 1万+
线代有个很难理解的知识点，即同一特征值的线性无关特征向量个数要小于等于特征值重数。 这个结论是怎么来的呢？本文用最朴素的证明来帮助大家弄懂这个知识点（结论推导所用的都是基础的线代知识，只是有些数学式子比较复杂，认真看完，理解很容易，相信自己！）。 a.首先一起看下会用到的两个tips： tip 1：一定可以找到n个线性无关的n维向量，且它们可以表示任何一个n维向量 比如2维向量：能找到 α1=(1,0)T和α2=(1,1)T\alpha_{1}=(1,0)^{T} 和 \alpha_{2}=(1,1)^{
理解与证明“线性无关的特征向量的个数=若当块个数”
强强的博客
10-07 8861
1.1 问题 若当标准形中，有一条性质说：一个矩阵的线性无关的特征向量个数等于其若当标准形的若当块个数。其实，这条简单的性质涉及很多知识——特征根与特征向量、代数重根与几何重根、对角标准形与若当标准形等，能够理解和证明很有价值。这里就边说明边证明，可能不是十分规范，但力求易懂些（通俗就算了）。 1.2 理解与证明 首先说明，以下的 nnn 阶方阵 AAA 是满秩的。 对于 nnn 阶方阵 AAA，总存在相似的若当标准形矩阵，即存在非奇异矩阵 PPP 与若当标准形 JJJ，使得： P−1AP=J(1.1).
线性方程组 特征向量 奇异矩阵 可对角化矩阵
learnstudy2的博客
11-01 1550
{a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm \left\{ \begin{array}{c} a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1 \\ a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2 \\ \vdots \\ a_{m1}x_...
线性代数中矩阵的秩， 行列式， 矩阵向量组线性无关， 矩阵可逆之间的一些逻辑关系
m0_70742794的博客
05-29 5611
矩阵可逆的各个等价的命题 1. A是可逆的 2. 齐次线性方程组AX=0只有零解 3. A与I行等价 4. A可表示为有限个初等矩阵的乘积 矩阵的秩，行列式的值，矩阵向量组线性无关，矩阵可逆之间的关系
java求矩阵的特征值和特征向量源码
05-16
// 特征向量矩阵 double[] eigenValues = ed.getRealEigenvalues(); // 实部特征值数组 for (double ev : eigenValues) { System.out.println("特征值: " + ev); } for (int i = 0; i (); i++) { System....
(线性代数)矩阵秩的8大性质、重要定理以及关系
11-28
(线性代数)矩阵秩的8大性质、重要定理以及关系 (线性代数)矩阵秩的8大性质、重要定理以及关系
QR分解求矩阵特征值特征向量 C语言.rar_ARQZ_aboardsiz_求特征向量_矩阵特征值_矩阵特征值 c++
07-15
在计算机科学和数值分析领域，计算矩阵的特征值和特征向量是一项基本任务，它有着广泛的应用，如在数据处理、系统分析、机器学习等领域。本主题聚焦于使用C语言通过QR分解方法来求解这一问题。以下是关于这个话题的...
C++ Eigen库计算矩阵特征值及特征向量
08-25
在线性代数中，矩阵的特征值和特征向量是矩阵的两个重要特征。特征值是矩阵的一种 scalar，满足特征方程式 Ax = λx，其中A是矩阵，x是特征向量，λ是特征值。特征向量是满足 Ax = λx 的非零向量x。 使用Eigen库...
JCBI.rar_jcbi_特征向量_矩阵 特征向量_矩阵特征值与特征向量_雅可比矩阵
09-24
这个关系可以用矩阵方程Ax=λx来表示，其中x是包含特征向量的列向量。 雅可比法，也称为雅可比迭代法，通常用于求解线性方程组。然而，它也可以应用于求解实对称矩阵的特征值问题。实对称矩阵的特殊性质在于其特征...
practice_对称矩阵特征值和特征向量计算_
09-28
总之，对称矩阵的特征值和特征向量计算是线性代数中的基本任务，雅克比迭代法提供了一种有效的数值求解方法。理解并熟练掌握这种方法对于解决实际问题至关重要。在进行计算时，我们需要注意矩阵的性质、迭代的收敛性...
矩阵基础知识------秩+线性相关和线性无关
热门推荐
ZJE
06-29 5万+
秩 矩阵的秩。秩 就是矩阵中 极大线性无关组的向量个数。 也就是 以这个矩阵的元素作为系数的方程组中，线性无关的方程个数。 线性无关，就是 a，b，c个方程中，谁也不能通过自己或者另外两个方程表示谁。 线性相关和线性无关： 线性相关的意思就是若有一组向量，能有一组不全为0的常数，使得： ，则表示，为[线性相关]的向量。 反之，若要使成立，只能是的话，那么就表示这组向量[线性无关]。 简单来说就是，在线性相关的向量里，里面每一个向量都可以被其他向量来表示。线性无关的向量，则是里面的向量无法..
特征值_特征值、特征子空间和秩
weixin_34711401的博客
12-31 7941
矩阵的秩和它的特征值有什么关系呢？假设我得到了一个矩阵的特征值，如何根据特征值推断它的秩呢？我们知道，矩阵的秩代表维数，矩阵的特征值有几何重数和代数重数之分，其中几何重数代表着该特征值对应的特征向量构成的空间(即特征子空间)的维数，也就是在这个空间里的所有向量经过矩阵变换(A)都不改变方向，只改变大小。(特征向量的非零线性组合依旧是特征向量。)代数重数则代表相同特征值的个数。且0＜几何重...
矩阵的秩与特征值
qq_50031809的博客
03-05 4万+
矩阵的秩与特征值矩阵的秩为1 矩阵的秩为1 设n阶矩阵A,n>1n>1n>1，（n阶矩阵一定有n哥特征值，且有且仅有n个） 因为r(A)<n，一定有非零解 ∣A−λE∣=0|A-\lambda E|=0∣A−λE∣=0,所以必定有个λ\lambdaλ为0（因r(A)<n） 1.A若可相似对角化（A与对角矩阵的特征值相同），且因为相似矩阵的秩相等对角矩阵的秩也为1，所以特征值有一个不为0其余都为0 且必定n-1个为0的特征值（n-1重根）对应n-1个线性无关特征向量（A可对角化的
线性代数的本质： 矩阵： 矩阵的逆矩阵： 线性代数基础知识
ZJQ的博客
11-03 3238
Essense Of Linear Algebra让你完全理解线性代数。 这个博客不错：https://blog.csdn.net/a727911438/article/details/77531973 水面滴水就是一个很相像的例子，滴水后成为三维，之后趋于平静，也就是行程面，波纹逐渐变大，水面起伏变小，特征值起决定性作用，水面的起伏以及水波纹的放大，你全部想成数字，水面就是矩阵，起伏的程度就...
矩阵对应不同特征值的特征向量是线性无关的吗
最新发布
06-08
是的，如果一个n×n矩阵A有k个不同的特征值，那么对应于这k个特征值的k个特征向量是线性无关的。 这个结论可以通过反证法来证明。假设对于一个n×n矩阵A，存在k个不同的特征值，但是对应于这些特征值的特征向量是线性相关的，那么就存在一组不全为0的系数c1, c2, ..., ck，使得 $$ c_1v_1 + c_2v_2 + ... + c_kv_k = 0 $$ 其中，v1, v2, ..., vk分别是对应于A的k个不同特征值的特征向量。因为这些特征向量对应于不同的特征值，所以它们是线性无关的。 根据特征向量的定义，对于任意一个不为0的向量v，如果它是一个矩阵A的特征向量，那么它必须满足以下条件： $$ Av = \lambda v $$ 其中，λ是v对应的特征值。 将上式两边同时乘以$ c_1, c_2, ..., c_k $，得到： $$ c_1Av_1 + c_2Av_2 + ... + c_kAv_k = c_1\lambda_1v_1 + c_2\lambda_2v_2 + ... + c_k\lambda_kv_k $$ 因为v1, v2, ..., vk是对应于A的k个不同特征值的特征向量，所以它们两两线性无关。因此，上式可以改写为： $$ Ac_1v_1 + Ac_2v_2 + ... + Ac_kv_k = \lambda_1c_1v_1 + \lambda_2c_2v_2 + ... + \lambda_kc_kv_k $$ 因为v1, v2, ..., vk是矩阵A的特征向量，所以左边的式子可以进一步化简为： $$ c_1\lambda_1v_1 + c_2\lambda_2v_2 + ... + c_k\lambda_kv_k = \lambda_1c_1v_1 + \lambda_2c_2v_2 + ... + \lambda_kc_kv_k $$ 移项得到： $$ (\lambda_1-c_1)\lambda_1v_1 + (\lambda_2-c_2)\lambda_2v_2 + ... + (\lambda_k-c_k)\lambda_kv_k = 0 $$ 因为v1, v2, ..., vk是对应于A的k个不同特征值的特征向量，所以它们两两线性无关。因此，上式中的每一项都必须等于0。因为所有的特征值都是不同的，所以每个括号中的因子都不为0。因此，只有c1=c2=...=ck=0才能使得上式成立。 这与我们的假设矛盾，因此假设不成立，即对于一个n×n矩阵A有k个不同的特征值，那么对应于这k个特征值的k个特征向量是线性无关的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值