线性代数学习笔记20

引言

这节课主要是讲特征值的作用，可以方便我们处理矩阵的幂，主要设计到两个内容，分别是对角化和A 的幂

对角化

基本前提：假设矩阵A有n个线性无关的特征向量，S 由n个线性无关的特征向量组成各列，有
$A^{-}AS=>对角矩阵X$

证明有：
$$AS=A\left[\begin{array}{cccc}{x}_1& x_2& x_3\dots \dots & \end{array}\right]=$$ $\left[\begin{array}{cccc}{\lambda }_1{x}_1& {\lambda }_2{x}_2& {\lambda }_3{x}_3\dots \dots & \end{array}\right]=$ $\left[\begin{array}{cccc}{x}_1& x_2& x_3\dots \dots & \end{array}\right]\left[\begin{array}{cccc}{\lambda }_1& 0& 0\dots \dots & \\ 0& {\lambda }_2& 0\dots \dots & \\ 0& 0& {\lambda }_3\dots \dots & \\ \dots \dots & & & \end{array}\right]$
即 $AS=S\times 对角矩阵$
=>$A^{-}AS=对角矩阵$

A 的幂

通过对上面的公式进行变形有
$A=S^{-}对角矩阵S$
所以我们利用该公式进行矩阵的幂运算
$$A^2=S^{-}对角矩{阵}^{2}S$$

即 A 的k次方的特征值为 A 的特征值的k次方，特征向量不变

• 当 所有的矩阵的特征值绝对值小于1时，有$k->\infty ，|A^K|->0$

基本前提的满足条件

如果没有n个线性无关的特征向量，无法完成对角化，因为公式中涉及到了逆元算！

• 当A 有n个不相同的特征值是，可以肯定一定有n个线性无关的特
  征向量

• 当A n个特征值有重复，不一定有n个线性无关的特征向量

应用1

$u_k=A{u}_{k-1},u_0是一个已知的向量，求解u_{100}$
我们容易知道 $u_{100}=A^k{u}_0$
可以利用特征值、特征向量计算
假设A 是有n 个线性无关的特征向量，所以 $u_0$ 一定是可以分解成A 的特征向量的排列组合，即有
$u_0=c_1{x}_1+c_2{x}_2+\dots \dots =SC$
$A{u}_0=c1{\lambda }_{1}I{x}_1+c2{\lambda }_{2}I{x}_2+\dots \dots$
$A^{100}=S对角矩{阵}^{100}{S}^{-}SC=S对角矩{阵}^{100}C$

应用2

斐波那契数列有 $F_n=F_{n-1}+F_{n-2}$，我们通过构造 $u_k=\left[\begin{array}{c}{F}_{k+1}\\ F_k\end{array}\right]$联立
$F_n=F_{n-1}+F_{n-2}$和$F_{n-1}=F_{n-1}$
有 $u_k=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]u_{k-1}$,所以我们可以计算得到

• 有一个思考点是：数列的增长速度是有较大的特征值决定的！
  我们看上面的计算式 $A{u}_0=c1{\lambda }_{1}I{x}_1+c2{\lambda }_2{x}_2+\dots \dots$可以看到其实增长速度和较大的那个数关系比较大～