线性代数-对角化和A的幂-22
Linear Algebra-对角化和A的幂-22
一、知识概要
本节课讨论了矩阵的对角化,并利用对角化分解方式简化了矩阵幂运算。最后介绍了差分方程的应用,灵活运用线性无关的特征向量是这部分的关键。
二、矩阵的对角化
2.1 对角化
所谓矩阵对角化,其实介绍的就是一种矩阵分解方式。根据上一节学习的特征值与特征向量,如果 A 有 n 个线性无关的特征向量,那么可以将它们组成一个可逆方阵,进而将矩阵分解。
假设 A 的 n 个线性无关的特征向量组成矩阵 S,有:
构造:
由特征值定义:
写成矩阵乘法形式:
将由特征值组成的此对角矩阵记为,即。由于 S 是可逆矩阵,左乘可得:
或者写为:
如上,我们得到了这样一种新的矩阵分解方式,利用矩阵 A 的 n 个线性无关的特征向量构造矩阵 S,再利用 A 的 n 个特征值构造对角矩阵,将 A 分解为:
这种矩阵分解方式有什么用呢?记得我们之前学习过 A 的 LU 分解、QR 分解,但是这些分解方式都无法对矩阵的幂运算起到帮助,而这种对角化分解矩阵方式对矩阵幂运算的帮助很大。
则
同样,使用公式也可以很明显地看出这个性质:
这说明的特征值是,而特征向量 x 不受次幂影响,仍为 A 对应的各个 x。即:
【问题】若矩阵 A 存在 n 个线性无关的特征向量,那什么条件下能使矩阵的幂趋近于零?
解:
由,很明显能判断,当所有的特征值满足(使用绝对值表示是因为特征值可能是负数也可能是复数),则当 k 趋近于无穷大时,矩阵趋近于零。
另外,注意矩阵是否能够成功对角化取决于该矩阵是否有 n 个线性无关的特征向量,而特征向量与特征值之间有着紧密的联系:
如果矩阵 A 没有重复的特征值,矩阵就一定有 n 个线性无关的特征向量(这也就意味着,不同特征值对应特征向量线性无关)。
但是如果有重复的特征值,结论不是完全否定的,也就是说这时也可能存在 n 个线性无关的特征向量。例如:10x10 的单位矩阵,其特征值只有 1,但是事实上我们可以取得 10 个线性无关的特征向量。
【例】
设矩阵,判定矩阵是否可以对角化。
解:
首先求特征值:
令,得到特征值只有一个:2。
再求矩阵的零空间,只有一个特征向量,零空间只是一维的,所以初始矩阵 A 不可以对角化。
2.2 差分方程
有了上面对角化的知识,我们就可以解决矩阵次幂的问题了。
有这样一种递推关系:
【例】
解方程:给定向量,有。
解:
根据递推,不难得到:。但是这种解并不具体,根据上面学习的知识,由于是 n 维的,而 A 又有 n 个线性无关的特征向量,所以也可以写为一个由 A 的 n 个特征向量组成的线性组合,类似于基:
再将 A 化为特征值形式:
写成矩阵形式:
(是特征值构成的对角阵,S 由特征向量构成,C 由系数构成)
我们来举个例子熟悉下这种方程:
【例】
斐波那契数列 0, 1, 1, 2, 3, 5, 8, 13, 试求第 100 项的值,以及它的增长速度有多快?
解:
同样,由斐波那契数列的特征,我们可以得到以下方程:
我们希望构造一阶差分,但是仅仅这一个方程是无法构造矩阵形式的,我们添加一个方程:
通过联立的方程组,构造一个矩阵形式:设,则该方程组可以矩阵化为。
这样我们成功将一个二阶方程化为了一个一阶方程组,也就是上面介绍的形式。
对于矩阵,我们求得其特征值为:
根据上面的介绍,,而对于斐波那契这个数列来说,,有:
而比 1 小,根据 2.1 讨论,后一项趋于 0,所以影响数列变化的只剩下了。这样根据矩阵变化速率,可初步估算第 100 项近似为:
接下来要求的对应值,这需要从的展开入手,所以需要先计算 A 的两个特征向量:
注:
计算特征向量时不要直接代入特征值,先写成形式,得到
由于这是一个可逆矩阵,只要满足其中一行对应方程即可,选第二行,很明显这时是对应特征向量,代入两个特征值,即可。
本题中的初始向量为:。接下来只要将这些数值代入展开式,解出相应的和就可以了。
我们来回顾一下解题的思路:
- 首先将方程构造成动态增长的一阶方程组,此时它的初始向量为。
- 此后关键在于确定 A 的特征值,因为特征值决定增长的趋势,发散至无穷还是收敛至 0 全由它决定。
- 接着需要找到对应的展开式,确定数列变化过程以及对应值。
- 求 A 的特征向量,代入的展开来确定的值,而且各个特征向量必须是独立的。
- 依次代数即可。
三、学习感悟
本节主要学习了矩阵的对角化分解以及差分方程的对应公式,这部分重点在于理解特征值、特征向量的作用,并熟悉差分方程的解题流程。在这一节中我们会发现求解特征向量与特征值的能力非常关键,是这些扩展的核心所在。
四、学习总结
- 如果有 个独立的特征向量,这些特征向量构成了矩阵的列,那么可以被所对角化,可以表示为或者;
- 矩阵的幂,X 矩阵中的列向量(A 的特征向量)保持不变;
- 的特征值为对角线上的值,分别为;
- 关于的解法:,将用的特征向量的线性组合进行表示,则;