Matrices (Further Pure 2) · 矩阵(Further Pure 2)
| English | 中文 | Pinyin · 拼音 |
|---|---|---|
| stretch/stretʃ/ | 拉伸 | lā shēn |
| eigenvector/ˈaɪdʒənvektə/ | 特征向量 | tè zhēng xiàng liàng |
| eigenvalue/ˈaɪdʒənvæljuː/ | 特征值 | tè zhēng zhí |
| diagonalisation/daɪˌæɡənəlaɪˈzeɪʃn/ | 对角化 | duì jiǎo huà |
| matrix equation/ˈmeɪtrɪks ɪˈkweɪʒn/ | 矩阵方程 | jǔ zhèn fāng chéng |
| characteristic equation/ˌkærɪktəˈrɪstɪk ɪˈkweɪʒn/ | 特征方程 | tè zhēng fāng chéng |
| scalar/ˈskeɪlə/ | 标量 | biāo liàng |
| diagonal matrix/daɪˈæɡənl ˈmeɪtrɪks/ | 对角矩阵 | duì jiǎo jǔ zhèn |
The hidden directions in a matrix
- Every matrix transforms space. Some directions are special: the matrix only stretches 拉伸 them, without rotating. These are the eigenvectors 特征向量, and the stretch factors are the eigenvalues 特征值.
- Eigenvalues unlock the structure of a matrix — they're the key to diagonalisation 对角化, stability analysis, and Google's PageRank algorithm.
矩阵中隐藏的方向
- 每个矩阵都变换空间。有些方向是特殊的:矩阵只拉伸它们,而不旋转。这些是特征向量(eigenvectors),拉伸因子是特征值(eigenvalues)。
- 特征值解锁一个矩阵的结构——它们是对角化、稳定性分析和谷歌 PageRank 算法的关键。
Matrix equations 矩阵方程
- Three linear equations in three unknowns → a matrix equation $A\mathbf{x} = \mathbf{b}$. A non-singular $A$ gives one unique solution: $\mathbf{x} = A^{-1}\mathbf{b}$.
Worked example. $\begin{pmatrix} 2 & 1 \\ 1 & 3 \end{pmatrix}\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 5 \\ 7 \end{pmatrix}$. Solving: $2x + y = 5$ and $x + 3y = 7$. Solution: $x = \dfrac{8}{5}$, $y = \dfrac{9}{5}$.
An eigenvector keeps its direction under the matrix; a general vector is turned
矩阵方程
- 三个三元一次方程 → 一个矩阵方程 $A\mathbf{x} = \mathbf{b}$。一个非奇异的 $A$ 给出一个唯一解:$\mathbf{x} = A^{-1}\mathbf{b}$。
例题。 $\begin{pmatrix} 2 & 1 \\ 1 & 3 \end{pmatrix}\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 5 \\ 7 \end{pmatrix}$。求解:$2x + y = 5$ 和 $x + 3y = 7$。解:$x = \dfrac{8}{5}$,$y = \dfrac{9}{5}$。
一个特征向量在矩阵下保持它的方向;一个一般向量被转动
Matrices (Further Pure 2) · 矩阵(Further Pure 2)
(x', y') = M(x, y)
Rotations, reflections and shears are all matrices — read them off the transformed basis vectors. · 旋转、反射和切变都是矩阵——从变换后的基向量读出它们。
Eigenvalues and eigenvectors
- The characteristic equation 特征方程 $\det(A - \lambda I) = 0$ gives the eigenvalues $\lambda$.
- For each $\lambda$, the eigenvector $\mathbf{v}$ satisfies $A\mathbf{v} = \lambda\mathbf{v}$.
- Multiplying an eigenvector by $A$ only stretches it (by factor $\lambda$), without changing its direction.
Eigenvectors are not unique. If $\mathbf{v}$ is an eigenvector, so is $k\mathbf{v}$ for any non-zero scalar 标量 $k$. We usually choose the simplest form (smallest integers).
特征值和特征向量
- 特征方程(characteristic equation)$\det(A - \lambda I) = 0$ 给出特征值 $\lambda$。
- 对每个 $\lambda$,特征向量 $\mathbf{v}$ 满足 $A\mathbf{v} = \lambda\mathbf{v}$。
- 把一个特征向量乘以 $A$ 只拉伸它(因子 $\lambda$),而不改变它的方向。
特征向量不唯一。 如果 $\mathbf{v}$ 是一个特征向量,那么对任何非零标量 $k$,$k\mathbf{v}$ 也是。我们通常选择最简单的形式(最小的整数)。
The matrix [[2,1],[1,2]] has characteristic equation (2−λ)² − 1 = 0, giving λ = 1 or λ = 3. What is the larger eigenvalue? · 矩阵 [[2,1],[1,2]] 有特征方程 (2−λ)² − 1 = 0,给出 λ = 1 或 λ = 3。较大的特征值是多少?
(2−λ)² = 1 → 2−λ = ±1 → λ = 1 or 3; the larger is 3. · (2−λ)² = 1 → 2−λ = ±1 → λ = 1 或 3;较大的是 3。
The eigenvalues of a matrix A are found by solving: · 一个矩阵 A 的特征值通过求解以下哪个找到:
The characteristic equation det(A − λI) = 0 gives the eigenvalues. · 特征方程 det(A − λI) = 0 给出特征值。
Multiplying an eigenvector by A only stretches it (Av = λv). · 把一个特征向量乘以 A 只拉伸它(Av = λv)。
An eigenvector keeps its direction; A just scales it by the eigenvalue λ. · 一个特征向量保持它的方向;A 只是把它按特征值 λ 缩放。
If v is an eigenvector of A, then 2v is also an eigenvector of A. · 如果 v 是 A 的一个特征向量,那么 2v 也是 A 的一个特征向量。
Eigenvectors are not unique — any non-zero scalar multiple of an eigenvector is also an eigenvector. · 特征向量不唯一——一个特征向量的任何非零标量倍数也是一个特征向量。
Diagonalisation
- You can write $A = QDQ^{-1}$, where $D$ is a diagonal matrix 对角矩阵 of eigenvalues and the columns of $Q$ are the eigenvectors.
- This makes computing $A^n$ easy: $A^n = QD^nQ^{-1}$, and $D^n$ is just the diagonal entries raised to the $n$th power.
对角化
- 你可以写 $A = QDQ^{-1}$,其中 $D$ 是特征值的对角矩阵(diagonal matrix),$Q$ 的列是特征向量。
- 这使计算 $A^n$ 变得容易:$A^n = QD^nQ^{-1}$,而 $D^n$ 只是对角线条目的 $n$ 次幂。
In the diagonalisation A = QDQ⁻¹, the matrix D contains: · 在对角化 A = QDQ⁻¹ 中,矩阵 D 包含:
D is a diagonal matrix with the eigenvalues of A on its main diagonal. · D 是一个对角矩阵,它的主对角线上是 A 的特征值。
If A = QDQ⁻¹, then A³ = QD³Q⁻¹. If D has diagonal entries 1 and 3, D³ has diagonal entries 1 and ? · 如果 A = QDQ⁻¹,那么 A³ = QD³Q⁻¹。如果 D 有对角线条目 1 和 3,D³ 有对角线条目 1 和 ?
D³ has diagonal entries 1³ = 1 and 3³ = 27. · D³ 有对角线条目 1³ = 1 和 3³ = 27。
Worked example
- $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$. Characteristic equation: $(2-\lambda)^2 - 1 = 0 \Rightarrow \lambda^2 - 4\lambda + 3 = 0 \Rightarrow \lambda = 1$ or $3$.
- For $\lambda = 1$: eigenvector $\begin{pmatrix} 1 \\ -1 \end{pmatrix}$. For $\lambda = 3$: eigenvector $\begin{pmatrix} 1 \\ 1 \end{pmatrix}$.
- A matrix with zero determinant has a singularity (it is singular and has no inverse).
例题
- $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$。特征方程:$(2-\lambda)^2 - 1 = 0 \Rightarrow \lambda^2 - 4\lambda + 3 = 0 \Rightarrow \lambda = 1$ 或 $3$。
- 对 $\lambda = 1$:特征向量 $\begin{pmatrix} 1 \\ -1 \end{pmatrix}$。对 $\lambda = 3$:特征向量 $\begin{pmatrix} 1 \\ 1 \end{pmatrix}$。
- 行列式为零的矩阵存在奇异性(singularity,它是奇异的,没有逆)。
You've got it
- eigenvalues solve $\det(A - \lambda I) = 0$; eigenvectors satisfy $A\mathbf{v} = \lambda\mathbf{v}$
- multiplying an eigenvector by $A$ only stretches it
- diagonalise: $A = QDQ^{-1}$ (D = eigenvalues, Q's columns = eigenvectors)
你掌握了
- 特征值解 $\det(A - \lambda I) = 0$;特征向量满足 $A\mathbf{v} = \lambda\mathbf{v}$
- 把一个特征向量乘以 $A$ 只拉伸它
- 对角化:$A = QDQ^{-1}$(D = 特征值,Q 的列 = 特征向量)