He estudiado autovalores y autovectores pero todavía no veo es cómo se transforman los autovectores o vectores rotados.
Respuestas
¿Demasiados anuncios?
dantopa
Puntos
111
De la matriz como un mapa
¿Cómo funciona una matriz de transformar el lugar geométrico de los vectores unitarios?
Un ejemplo de la matriz, tales como $$ \mathbf{A} = \left[ \begin{array}{rr} 1 & -1 \\ 0 & 1 \\ \end{array} \right]. $$ Como se nota por @Widawensen, una representación conveniente de la unidad de círculo es el lugar geométrico de los vectores $\mathbf{S}$: $$ \mathbf{S} = \left[ \begin{array}{l} \cos \theta \\ \sin \theta \end{array} \right], \quad 0 \le \theta \lt 2\pi $$ La matriz producto se muestra la asignación de acción de la matriz $\mathbf{A}$: $$ \mathbf{A} \mathbf{S} = \left[ \begin{array}{cc} \cos (\theta )-\sin (\theta ) \\ \sin (\theta ) \end{array} \right] $$
Los grácos muestran el color de los vectores de la unidad círculo de la izquierda. A la derecha vemos cómo la matriz $\mathbf{A}$ cambios de los vectores unitarios.
La descomposición de valor Singular
Para entender el mapa, empezamos con la descomposición de valor singular: $$ \mathbf{A} = \mathbf{U} \, \Sigma \, \mathbf{V}^{*} $$ La belleza de la SVD es que cada matriz tiene una descomposición de valor singular (existencia); el poder de la enfermedad vesicular porcina es la que resuelve los cuatro subespacios fundamentales.
La descomposición de valor singular es un eigendecomposition de la matriz producto $\mathbf{A}^{*} \mathbf{A}$. Los valores singulares son la raíz cuadrada de la autovalores distintos de cero $$ \sigma \left( \mathbf{A} \right) = \sqrt{ \lambda \left( \mathbf{A}^{*} \mathbf{A} \right) } $$ Los valores singulares son, por construcción, positivo y habitualmente están ordenados. Para una matriz de rango $\rho$, la expresión es $$ \sigma_{1} \ge \sigma_{2} \ge \dots \ge \sigma_{\rho} > 0 $$ Los vectores propios normalizados son los vectores columna de el dominio de la matriz $\mathbf{V}$. Los vectores columna para el codominio de la matriz $\mathbf{U}$ se construye a través de $$ \mathbf{U}_{k} = \sigma_{k}^{-1} \left[ \mathbf{A} \mathbf{V} \right]_{k}, \quad k=1,\rho. $$
Gráficamente, la enfermedad vesicular porcina se parece a esto:
La primera columna del vector se representa en negro, la segunda en azul. Ambos sistemas de coordenadas son zurdos (determinante = -1). El SVD orienta estos vectores para alinear el dominio y el codominio.
Aviso en la asignación de acción con la que algunos vectores de reducir, a otros a crecer. El dominio y el codominio tienen diferentes escalas de longitud, y esto se ve reflejado en los valores singulares. A continuación, los valores singulares se representa como una elipse con ecuación $$ \left( \frac{x}{\sigma_{1}} \right)^{2} + \left( \frac{y}{\sigma_{2}} \right)^{2} = 1. $$
Enfermedad vesicular porcina y el mapa
Por último, hemos de llevar las piezas a unir mediante la toma de la imagen de mapa de $\mathbf{A}\mathbf{S}$ y la superposición de los vectores de la base del codominio $\mathbf{U}$, que se ajustan a los valores singulares.
El negro vector es $\sigma_{1} \mathbf{U}_{1}$, el azul es $\sigma_{2} \mathbf{U}_{2}$.
Poderes
Aplicaciones repetidas del mapa acentuar los efectos de la mapa. Para este ejemplo $$ \mathbf{A}^{k} = \left[ \begin{array}{cr} 1 & -k \\ 0 & 1 \\ \end{array} \right], \quad k = 1, 2, 3, \dots $$ Los primeros mapas en la secuencia que se muestra a continuación en una escala común:
CodingBytes
Puntos
102
Lineal mapas de $T:\>V\to W$ sentido entre dos espacios vectoriales $V$, $W$ en el mismo campo de tierra $F$.
Las nociones de autovalores y autovectores sólo sentido lineal mapas de $T:\>V\to V$ asignación de algunas espacio vectorial $V$ dentro de sí mismo. Un vector $v\ne0$ que es "por casualidad" se asignan a un escalar múltiples $\lambda v$ de la misma se llama un vector propio de a $T$. Un vector es, quizás, se encogen o se extendía por $T$, pero no es "girar" o "roto" en ninguna manera. Los números de $\lambda$ se producen en tales circunstancias se llaman autovalores de a $T$. Es un milagro que (en lo finito dimensional caso) $T$ sólo puede tener un número finito de valores propios.
