Lära Egenvärden och Egenvektorer | Linjär Algebra och Matrismoduleringar

Svep för att visa menyn

Egenvärden och egenvektorer är centrala begrepp inom linjär algebra och används ofta för att analysera hur linjära transformationer påverkar data. Givet en kvadratisk matris A är en egenvektor en icke-noll vektor x som, när den multipliceras med A, resulterar i en vektor som pekar i samma riktning som x, men skalas med en konstant faktor kallad egenvärde.

Relationen mellan matrisen, egenvektorn och egenvärdet är:

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

$A$ är en kvadratisk matris som representerar en linjär transformation;
$\mathbf{x}$ är en icke-noll kolonnvektor (egenvektorn);
$\lambda$ är en skalär (egenvärdet).

Denna formel innebär att tillämpning av $A$ på $\mathbf{x}$ sträcker ut eller krymper $\mathbf{x}$ med faktorn $\lambda$ , men ändrar inte dess riktning. Egenvärden och egenvektorer avslöjar viktiga egenskaper hos matriser, såsom stabilitet, huvudaxlar och karakteristiska lägen, vilket är avgörande inom vetenskapliga och tekniska tillämpningar.


              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 att ha beräknat egenvärden och egenvektorer vill du ofta verifiera att de uppfyller den grundläggande ekvationen A x = λ x. Med resultaten från scipy.linalg.eig kan du kontrollera denna relation för varje egenpar genom att multiplicera den ursprungliga matrisen med en egenvektor och jämföra det med produkten av egenvärdet och den egenvektorn.


              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))

Egenvärden och egenvektorer har ett brett användningsområde inom fysik och teknik. Inom fysiken är de avgörande för analys av system av differentialekvationer, kvantmekanik (för att hitta energitillstånd) och för att studera vibrationer eller normallägen i mekaniska system. Inom tekniken används de vid stabilitetsanalys, principal component analysis (PCA) för datareduktion och vid konstruktion av strukturer för att förutsäga resonansfrekvenser. Förståelse för egenvärden och egenvektorer möjliggör lösning av komplexa system, optimering av processer och tolkning av det underliggande beteendet hos verkliga fenomen.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 3

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 2. Kapitel 3

Egenvärden och Egenvektorer

1. Vilken SciPy-funktion används för att beräkna egenvärden och egenvektorer?

2. Vad är betydelsen av egenvärden i vetenskapliga tillämpningar?

3. Hur kan du verifiera att en vektor är en egenvektor till en matris?