Lære Egenværdier og Egenvektorer | Lineær Algebra og Matrixoperationer

Stryg for at vise menuen

Egenværdier og egenvektorer er centrale begreber i lineær algebra og bruges bredt til at analysere, hvordan lineære transformationer påvirker data. Givet en kvadratisk matrix A er en egenvektor en ikke-nul vektor x, som, når den multipliceres med A, resulterer i en vektor, der peger i samme retning som x, men skaleres med en konstant faktor kaldet egenværdien.

Forholdet mellem matrix, egenvektor og egenværdi er:

$A \mathbf{x} = \lambda \mathbf{x}$

$A$ er en kvadratisk matrix, der repræsenterer en lineær transformation;
$\mathbf{x}$ er en ikke-nul søjlevektor (egenvektor);
$\lambda$ er en skalar (egenværdi).

Denne formel betyder, at når $A$ anvendes på $\mathbf{x}$ , strækkes eller formindskes $\mathbf{x}$ med faktoren $\lambda$ , men dens retning ændres ikke. Egenværdier og egenvektorer afslører vigtige egenskaber ved matricer, såsom stabilitet, hovedakser og karakteristiske tilstande, hvilket er essentielt i videnskabelige og tekniske anvendelser.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Efter beregning af egenværdier og egenvektorer ønsker man ofte at verificere, at de opfylder den fundamentale ligning A x = λ x. Ved at bruge resultaterne fra scipy.linalg.eig kan du kontrollere dette forhold for hvert egenpar ved at multiplicere den oprindelige matrix med en egenvektor og sammenligne det med produktet af egenværdien og den egenvektor.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Egenværdier og egenvektorer har mange anvendelser inden for fysik og ingeniørvidenskab. I fysik er de essentielle til analyse af systemer med differentialligninger, kvantemekanik (til bestemmelse af energitilstande) samt til at studere vibrationer eller normale svingninger i mekaniske systemer. I ingeniørvidenskab bruges de til stabilitetsanalyse, principal komponentanalyse (PCA) til datareduktion og i design af konstruktioner for at forudsige resonansfrekvenser. Forståelse af egenværdier og egenvektorer muliggør løsning af komplekse systemer, optimering af processer og fortolkning af den underliggende adfærd i virkelige fænomener.

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 3

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 2. Kapitel 3

Egenværdier og Egenvektorer

1. Hvilken SciPy-funktion bruges til at beregne egenværdier og egenvektorer?

2. Hvad er betydningen af egenværdier i videnskabelige anvendelser?

3. Hvordan kan du verificere, at en vektor er en egenvektor for en matrix?