Leer Eigenwaarden en Eigenvectoren | Lineaire Algebra en Matrixbewerkingen

Veeg om het menu te tonen

Eigenwaarden en eigenvectoren zijn centrale concepten in de lineaire algebra en worden veel gebruikt om te analyseren hoe lineaire transformaties data beïnvloeden. Gegeven een vierkante matrix A is een eigenvector een niet-nul vector x die, wanneer vermenigvuldigd met A, resulteert in een vector die in dezelfde richting wijst als x, maar geschaald wordt met een constante factor, de eigenwaarde genoemd.

De relatie tussen de matrix, eigenvector en eigenwaarde is:

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

$A$ is een vierkante matrix die een lineaire transformatie voorstelt;
$\mathbf{x}$ is een niet-nul kolomvector (de eigenvector);
$\lambda$ is een scalair (de eigenwaarde).

Deze formule betekent dat het toepassen van $A$ op $\mathbf{x}$ $\mathbf{x}$ uitrekt of verkleint met de factor $\lambda$ , maar de richting niet verandert. Eigenwaarden en eigenvectoren onthullen belangrijke eigenschappen van matrices, zoals stabiliteit, hoofdassen en karakteristieke modi, die essentieel zijn in wetenschappelijke en technische toepassingen.


              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)

Na het berekenen van de eigenwaarden en eigenvectoren wil je vaak verifiëren dat ze voldoen aan de fundamentele vergelijking A x = λ x. Met de resultaten van scipy.linalg.eig kun je deze relatie voor elk eigenpaar controleren door de oorspronkelijke matrix te vermenigvuldigen met een eigenvector en dit te vergelijken met het product van de eigenwaarde en die eigenvector.


              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))

Eigenwaarden en eigenvectoren hebben brede toepassingen in de natuurkunde en techniek. In de natuurkunde zijn ze essentieel voor het analyseren van systemen van differentiaalvergelijkingen, kwantummechanica (voor het vinden van energietoestanden), en het bestuderen van trillingen of normale modi in mechanische systemen. In de techniek worden ze gebruikt bij stabiliteitsanalyse, principale componentenanalyse (PCA) voor datareductie, en het ontwerpen van constructies om resonantiefrequenties te voorspellen. Inzicht in eigenwaarden en eigenvectoren maakt het mogelijk om complexe systemen op te lossen, processen te optimaliseren en het onderliggende gedrag van reële fenomenen te interpreteren.

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 3

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Sectie 2. Hoofdstuk 3

Eigenwaarden en Eigenvectoren

1. Welke SciPy-functie wordt gebruikt om eigenwaarden en eigenvectoren te berekenen?

2. Wat is het belang van eigenwaarden in wetenschappelijke toepassingen?

3. Hoe kun je verifiëren of een vector een eigenvector van een matrix is?