本文介绍了线性代数中的核心概念——特征值和特征向量，讨论了特殊矩阵的特征值特性，如奇异矩阵、投影矩阵和置换矩阵。对称矩阵的特征值为实数，而反对称矩阵的特征值为纯虚数。文章还阐述了矩阵对角化的过程及其应用，包括计算矩阵幂和解决斐波那契数列问题。
引言
对于 y = f ( x ) y=f(x) y=f(x)，即 x → f y x\xrightarrow{f}y xfy，类似地 x → A A x x\xrightarrow{A}Ax xAAx，而特征值（Eigenvalue）与特征向量（Eigenvectors）研究的正是 x x x与 A x Ax Ax方向相同 的情况。
特征向量和特征向量
使得 A x Ax Ax平行于 x x x的特殊向量就是特征向量，即 A x = λ x Ax=\lambda x Ax=λx.
特殊矩阵的特征值
- 若A是奇异矩阵， λ \lambda λ=0是其特征值。
- 若P是投影矩阵，则对于 x x x in plane，有 P x = x Px=x Px=x，故 λ \lambda λ=1是其特征值；对于 x ⊥ x \perp x⊥ plane，有 P x = 0 x Px=0x Px=0x，故 λ \lambda λ=0是其特征值 。
- 若A是置换矩阵，如 [ 0 1 1 0 ] \begin{bmatrix}0&1\\1&0\end{bmatrix} [0110]，该矩阵起将两行互换的作用，故当 x 1 = x 2 x_1=x_2 x1=x2时， A x = x Ax=x Ax=x，如 A [ 1 1 ] = [ 1 1 ] A\begin{bmatrix}1\\1\end{bmatrix}=\begin{bmatrix}1\\1\end{bmatrix} A[11]=[11]；此外，当 x 1 = − x 2 x_1=-x_2 x1=−x2时， A x = − x Ax=-x Ax=−x，如 A [ 1 − 1 ] = [ − 1 1 ] A\begin{bmatrix}1\\-1\end{bmatrix}=\begin{bmatrix}-1\\1\end{bmatrix} A[1−1]=[−11]
- 对称矩阵的特征值是实数，反对称矩阵的特征值是纯虚数。
- 三角矩阵的特征值就是对角线上的值。
每个向量做90度旋转
[ cos 90 ° − sin 90 ° sin 90 ° cos 90 ° ] = [ 0 − 1 1 0 ] \begin{bmatrix}\cos90\degree&-\sin90\degree\\\sin90\degree&\cos90\degree\end{bmatrix}=\begin{bmatrix}0&-1\\1&0\end{bmatrix} [cos90°sin90°
最低0.47元/天 解锁文章
7626
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
