线性代数 听课笔记【下】

矩阵“特征”相关的东西

矩阵特征向量和特征值

特征向量、特征值：成对出现，相对而言

非零向量 $x$，满足 $Ax=\lambda x$，$A$ 为方阵（相当于是线性变换），$\lambda $ 为数。则称 $x$ 为一个特征向量，$\lambda$ 为一个特征值。

上面的等价条件：$Ax=\lambda Ix$，即 $Ax-\lambda Ix=0,(A-\lambda I)x=0$。因为 $x$ 非0，所以 $\det (A-\lambda I)=0$

所以求特征值等价于求解 $\det (A-\lambda I)=0$ 的解。

特征多项式

$P_A=\det (A-\lambda I)$，把 $\lambda$ 看成一个变量。（关于 $\lambda$ 的一个 $n$ 次多项式，$n$ 的方阵的行/列数）

举例：

性质：

1. $[{\lambda }^n]P_A=(-1{)}^n$。（因为每个 $\lambda$ 都去到，所以只能取对角线了）
2. $[{\lambda }^{n-1}]P_A=(-1{)}^{n-1}Tr(A)$
3. $[{\lambda }^0]P_A=\det A$

特征值：特征多项式的根。

若 $F$ 是一个代数闭域（即 $\forall$ 多项式 $f(x)$，$\exists x\in F$ 使 $f(x)=0$)，则 $P_A=({\lambda }_1-\lambda )({\lambda }_2-\lambda )\dots ({\lambda }_n-\lambda )$，$x_i$ 是 $P_A$ 的根。

常见代数闭域：复数域。（实数域不是，有限域也不是）

${\lambda }_i$ 作为 $P_A$ 的根的重数，就称作代数重数。（相对的，几何
重数有忘了）

特征值的性质：${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n$

1. 所有特征值的和为 ${\sum }_i{\lambda }_i=Tr(A)$
2. ${\prod }_i{\lambda }_i=\det A$

所以二阶方阵有和有乘积就可以求特征值。

举例：

求特征向量：解方程 $(A-\lambda I)x_i=0$

谱范数、谱分解

谱范数：$A^{T}A$ 的最大特征是的平方根（$A$ 的最大奇异）。即线性变换可能能变多大。（谱范数大就大，小就小）

谱分解、对角化：一些方阵有 $n$ 个线性无关的特征向量 $v_1,v_2\dots v_n$，对应的特征值是 ${\lambda }_1,{\lambda }_2,...,{\lambda }_n$

首先有 $A{v}_i=\lambda v_i$，写在一起记做 $Q=(v_1,v_2\dots v_n)$：

记 $\Lambda$ 为：

有 $AQ=Q\Lambda$，所以 $A=Q\Lambda Q^{-1}$，这就叫对角化。

$A=Q\Lambda Q^{-1}=...=Q{\Lambda }^k{Q}^{-1}$

$\exp (A)$，也可以用对角化很方便表示 。

能对角化的矩阵：

1. 有 $n$ 个不同特征值的矩阵
2. 实对称矩阵有 $n$ 个实特征值。（即特征值全是实数）

不能对角化的矩阵：

3. 幂零矩阵。$A\ne 0$，若 $A^k=0$，则 $A$ 不能对角化
   经典例子（可能有点丑）：

可以反证：$A^k=Q{\Lambda }^k{Q}^{-1}$，只能为 ${\Lambda }^k=0$，即 $A=0$

线性递推

斐波那契的通项公式

$F_{i+1}=F_i+F_{i-1}$，矩阵形式：

求 $F_{i+k}$，则为

首先可以求出特征多项式为：

所以对角矩阵为：

.

马尔科夫矩阵Markov矩阵

$A1=1,A\ge 0$（也就是随机矩阵）

性质：

1. $A$ 有特征值 $\lambda =1$。
2. 事实上：
   1. $A$ 的所有（复）特征值的模长 $\le 1$。（Gershgorin circle theorem）
   2. 若 $A$ 表示的图强连通。则 $A$ 的 1-特征空间 维度为1（注：$A$ 的 $\lambda -$ 特征空间为满足 $(A-I\lambda )x=0$ 所有维度为1的 $x$）
   3. 若 $A$ 表示的图强连通。则$A$ 的 1-左特征空间 有只含正元素的向量。（本质为存在一个概率分布，最后有能够回来）（还有个叫 Perron-Fnbenious theorem）
      4. 若 $A$ 还非周期，$\exists p,A^p$ 只含正元素。
      更厉害的结论：$\forall x\ge 0$ 且 $\sum x_i=1$，则 ${\lim }_{x\to +\infty }{x}^T{A}^n=r^T$（$r^T$ 为确定）

初始 $x\in (0,1)$，目标赚到1。每次可以下注，$p$ 概率赢 $2y$（$y$ 为下注），$1-p$ 失去 $y$，最优策略下赢的概率（取模）。
加强：每次下注比上次下注要下得更多