Lære Egenverdier og Egenvektorer | Lineær algebra og matriseoperasjoner

Sveip for å vise menyen

Egenverdier og egenvektorer er sentrale begreper i lineær algebra, mye brukt for å analysere hvordan lineære transformasjoner påvirker data. Gitt en kvadratisk matrise A, er en egenvektor en ikke-null vektor x som, når den multipliseres med A, gir en vektor som peker i samme retning som x, men skaleres med en konstant faktor kalt egenverdi.

Forholdet mellom matrisen, egenvektoren og egenverdien er:

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

$A$ er en kvadratisk matrise som representerer en lineær transformasjon;
$\mathbf{x}$ er en ikke-null kolonnevektor (egenvektoren);
$\lambda$ er en skalar (egenverdien).

Denne formelen betyr at anvendelse av $A$ på $\mathbf{x}$ strekker eller krymper $\mathbf{x}$ med faktoren $\lambda$ , men endrer ikke retningen. Egenverdier og egenvektorer avdekker viktige egenskaper ved matriser, som stabilitet, hovedakser og karakteristiske modi, som er essensielle i vitenskapelige 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)

Etter å ha beregnet egenverdier og egenvektorer, ønsker du ofte å verifisere at de oppfyller den grunnleggende ligningen A x = λ x. Ved å bruke resultatene fra scipy.linalg.eig kan du kontrollere dette forholdet for hvert egenpar ved å multiplisere den opprinnelige matrisen med en egenvektor og sammenligne det med produktet av egenverdien og den egenvektoren.


              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))

Egenverdier og egenvektorer har et bredt spekter av anvendelser innen fysikk og ingeniørfag. I fysikk er de essensielle for analyse av systemer med differensialligninger, kvantemekanikk (for å finne energitilstander), og for å studere vibrasjoner eller normale moduser i mekaniske systemer. I ingeniørfag brukes de til stabilitetsanalyse, hovedkomponentanalyse (PCA) for datareduksjon, og i konstruksjonsdesign for å forutsi resonansfrekvenser. Forståelse av egenverdier og egenvektorer gir mulighet til å løse komplekse systemer, optimalisere prosesser og tolke underliggende oppførsel i virkelige fenomener.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 3

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 2. Kapittel 3

Egenverdier og Egenvektorer

1. Hvilken SciPy-funksjon brukes for å beregne egenverdier og egenvektorer?

2. Hva er betydningen av egenverdier i vitenskapelige anvendelser?

3. Hvordan kan du verifisere at en vektor er en egenvektor til en matrise?