B的过程即称为相似转换.ppt

* 第 5 章 特徵值與特徵向量 線 性 代 數 * 本章內容 5.1 特徵值與特徵向量 5.2 人口統計與天氣預測 5.3 矩陣對角化 5.4 二次式、差分方程及常態模式 * 5.1 特徵值與特徵向量 特徵值(eigenvalue) A為一n × n矩陣，對純量?而言，若Rn中存在有非0向量x，使得 Ax = ?x., 則稱 ? 為矩陣A之特徵值。 特徵向量(eigenvector) 稱 x 為對應於 ? 之特徵向量。 特徵多項式(Characteristic polynomial) |A – ?In| 特徵方程式(Characteristic equation) |A – ?In| = 0 * 5.1 特徵值與特徵向量 例題1︰求下列矩陣之特徵值及特徵向量 解: * 5.1 特徵值與特徵向量 * 5.1 特徵值與特徵向量 例題2: 求下列矩陣之特徵值及特徵向量 解: * 5.1 特徵值與特徵向量 * 5.1 特徵值與特徵向量 例題3: 令A為一n × n矩陣，其特徵值為?1, ..., ?n，而對應之特徵向量依序為X1, ..., Xn， 試證若c ? 0則cA之特徵值為c?1, ..., c?n，而對應之特徵向量則仍依序為X1, ..., Xn 解: cA之特徵值為c?1, ..., c?n， 而對應之特徵向量, 則仍依序為X1, ..., Xn * 5.2 人口統計與天氣預測 標準馬可夫鏈 若馬可夫鏈之轉移矩陣P，在某特定乘冪時所有元素均為正數，則稱其為標準(regular)，而此馬可夫鏈則稱為標準馬可夫鏈。 定理 考量一具初始向量x0及轉移矩陣P之標準馬可夫鏈，則 x0, x1, x2, …? x，其中x滿足Px = x。 P, P2, P3, …→ Q，其中Q為隨機矩陣，而Q的每一個行向量均為P對應於特徵值? = 1之特徵向量 * 5.2 人口統計與天氣預測 例題1:試檢視下列轉移矩陣是否標準 解: (1)矩陣A之所有元素均為正數，故矩陣A是標準矩陣。 (2) ，因此矩陣B為標準矩陣。 (3)第(1, 2)元素永遠都是0，因此矩陣B不是標準矩陣 * 5.3 矩陣對角化 相似轉換(similarity transformations) 令A與B為大小相同之二方陣，若存在一可逆矩陣C，使得，則稱B相似於A ；而這種將矩陣A轉換成B的過程即稱為相似轉換 * 5.3 矩陣對角化 例題1: 矩陣A與C，其中C為可逆，試用相似C–1AC轉換將A轉換成B 解： * 5.3 矩陣對角化 相似矩陣 具有相同的特徵值 證明：因為特徵多項式相同 * 5.3 矩陣對角化 可對角化(diagonalizable) 一方陣A稱為可對角化，若存在有一矩陣C，使得 D = C–1AC為一對角矩陣。 (a) 若A具有n個線性獨立特徵向量，則其可被對角化。以此n個線性獨立特徵向量為行向量之矩陣C，可對A進行相似轉換 C–1AC而得對角矩陣D；而D的對角線元素均為A之特徵值。 (b) 若A可被對角化，則其必具有n個線性獨立特徵向量。 * 5.3 矩陣對角化 例題2: (a)求解與A相似之對角矩陣D (b)求解可對角化A之相似轉換 解： * 5.3 矩陣對角化 若A經由相似轉換而與對角矩陣D相似，則可以推知 AK=C–1AC 證明: * 5.3 矩陣對角化 例題3: 由矩陣A計算 A9 解: * 5.3 矩陣對角化 例題4: 證明矩陣A無法對角化 例: * 5.3 矩陣對角化 正交對角化(orthogonally diagonalizable) 矩陣A稱為可正交對角化，若存在有一正交矩陣C使得D=CtAC為對角矩陣。(即Ct=C-1) * 5.3 矩陣對角化 例題5: 請將對稱矩陣A,正交對角化。 解： * 5.4 二次式、差分方程及常態模式 旋轉座標 二次式 二次式矩陣: * 5.4 二次式、差分方程及常態模式 例題1：試將下式改寫成二次式 解： * 5.4 二次式、差分方程及常態模式 圓錐曲線方程式 * 5.4 二次式、差分方程及常態模式 例題2:分析以下方程式，並繪製其圖形 解： * 5.4 二次式、差分方程及常態模式 * 5.4 二次式、差分方程及常態模式 差分方程式(difference equation) 階數: * 5.4 二次式、差分方程及常態模式 狀態方程式 * 5.4 二次式、差分方程及常態模式 例題3:解差分方程式, 其初始條件為 a1 = 0, a2 = 1，並用所得結果計算 a15. 解： *