Вивчайте Власні Значення та Власні Вектори | Лінійна алгебра та операції з матрицями

Свайпніть щоб показати меню

Власні значення та власні вектори — це ключові поняття лінійної алгебри, які широко використовуються для аналізу впливу лінійних перетворень на дані. Для квадратної матриці A власний вектор — це ненульовий вектор x, який при множенні на A дає вектор, що має той самий напрямок, що й x, але масштабується на певний сталий коефіцієнт, який називається власним значенням.

Взаємозв’язок між матрицею, власним вектором і власним значенням описується так:

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

$A$ — квадратна матриця, що представляє лінійне перетворення;
$\mathbf{x}$ — ненульовий стовпчиковий вектор (власний вектор);
$\lambda$ — скаляр (власне значення).

Ця формула означає, що застосування $A$ до $\mathbf{x}$ розтягує або стискає $\mathbf{x}$ на коефіцієнт $\lambda$ , але не змінює його напрямку. Власні значення та власні вектори розкривають ключові властивості матриць, такі як стійкість, головні осі та характерні режими, що є важливими для наукових і інженерних застосувань.


              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)

Після обчислення власних значень і власних векторів часто виникає потреба перевірити, чи задовольняють вони основному рівнянню A x = λ x. Використовуючи результати з scipy.linalg.eig, можна перевірити цю залежність для кожної пари власного значення та власного вектора, перемноживши початкову матрицю на власний вектор і порівнявши це з добутком власного значення на цей власний вектор.


              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))

Власні значення та власні вектори мають широке застосування у фізиці та інженерії. У фізиці вони є ключовими для аналізу систем диференціальних рівнянь, квантової механіки (для знаходження енергетичних станів), а також для вивчення вібрацій або нормальних мод у механічних системах. В інженерії їх використовують для аналізу стійкості, головних компонент (PCA) для зменшення розмірності даних, а також при проєктуванні конструкцій для прогнозування резонансних частот. Розуміння власних значень і власних векторів дозволяє розв’язувати складні системи, оптимізувати процеси та інтерпретувати приховану поведінку реальних явищ.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 3

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 2. Розділ 3

Власні Значення та Власні Вектори

1. Яка функція SciPy використовується для обчислення власних значень і власних векторів?

2. Яке значення мають власні значення у наукових застосуваннях?

3. Як можна перевірити, чи є вектор власним вектором матриці?