实对称矩阵的特征值求法_“绝境之下”,如何求解矩阵的特征值?
特征多项式求解一个矩阵的特征值应该是大家所要掌握的基本功,但是,相信很多同学发现,很多答案的解析,是列出来特征多项式,直接给出因式分解,然后,给出特征值。但是,从特征多项式到因式分解的这个过程有时候就像是一层迷雾一样让很多人头疼不已!
常用的方法有“抵消法”、展开三阶多项式猜想分组分离法和待定系数法!
- “抵消法”:考研范围内的矩阵求特征值,普遍是三阶矩阵,针对三阶实对称矩阵,一般是使用“抵消为0”先凑因式的方法求解,这种方法如果运气不佳,可能要尝试6次,最为致命的是,针对叠加情况,会失效,这种试错率太高,不适合考场使用,(但是如果你第一眼就看出来了,就用吧,因为确实简单!)——具体请查看李永乐老师的视频讲解!
- 分组分离法:需要首先猜想出来一个特征值,一般来说,有经验的同学可以尝试特征值为
等等,如果恰好猜对了一个特征值,剩下的两个特征值迎刃而解;其弊端有很多,1.含参展开计算量大,2.猜想需要足够经验,如果猜不出来,浪费时间太多,3.不适用于两位数的三阶矩阵!
- 待定系数法:这是类比于二元一次方程的十字相乘法,众所周知,这种方法考验数学感觉,尤其对于三阶多项式,如果,你看出来了,那么很简单,如果,你看不出来,那是浪费在多时间也看不出来!
如果,你在考试的时候,借助以上方法求不出结果,遭遇“绝境”的话,那么,就请尝试以下方法——代10猜想法!
鉴于考研数学是以三阶矩阵为主要考察点,所以,本文以三阶矩阵进行代10猜想法的例题分析!
我们3个例子,来说明一下,这个方法的具体使用!
1.
2.
3.
请用自己的方法,尝试做一下!!!再看以下分析:
计算步骤:硬算三阶矩阵——带入10,分解质数——确定第一个特征值——分组分解求其余两个特征值
值得注意的时:在确定第一个特征值时,可能需要好几个数,但是由于都是质数之积,所以,减少了试验的样本,提高了求解效率!
1.
此为对称矩阵,如果你使用别的方法一眼能看出来,那就不必有以下分析了!
以下内容请在草稿纸上操作,我个人写的话比之下面会简短很多!
;;分析质数,猜想
;验证,取
,故;于是
;
你可以在试卷答题纸上书写如下:
显然,
2.
此为非对称矩阵。
若是能够快速做出来,便不必做如下分析!
草稿纸内容:
;;分析质数,猜想
;验证,取
,故;则
;
你可以在试卷答题纸上书写如下:
3.
此虽为对称矩阵,但元素数值较大!
草稿纸内容:
;;分析质数,猜想
;验证,取
,故;则
;
你可以在试卷答题纸上书写如下:
以上为我总结的关于求解特征值的一点小技巧,是当你感觉行列式抵消法实在没有思路时,可以选用此法,所以,这是没有办法的办法。但是从另一个方面来说,一个具体的数的分析,无论是从计算量上还是从思考试错率上都是较为节省时间的,所以,你也可以直接按照这种方法做,能够大概率的减少试错时间!
实对称矩阵的特征值求法_“绝境之下”,如何求解矩阵的特征值?相关推荐
- 如何用计算机求特征值特征向量,利用QR算法求解矩阵的特征值和特征向量
利用QR算法求解矩阵的特征值和特征向量 为了求解一般矩阵(不是那种幼稚到shi的2 x 2矩阵)的特征值. 根据定义的话,很可能需要求解高阶方程... 这明显是个坑...高阶方程你肿么破... 折腾了 ...
- 利用QR算法求解矩阵的特征值和特征向量
利用QR算法求解矩阵的特征值和特征向量 为了求解一般矩阵(不是那种幼稚到shi的2 x 2矩阵)的特征值. 根据定义的话,很可能需要求解高阶方程... 这明显是个坑...高阶方程你肿么破... 折腾了 ...
- 实对称矩阵的特征值求法_机械振动理论(3)-解析实模态分析
模态分析是一种研究系统振动特性的分析方法,可以分为:解析模态分析和试验模态分析. 解析法,在事先知道结构的几何形状.边界条件和材料特性的前提下,将结构的质量分布.刚度分布和阻尼分布分别用质量矩阵.刚度 ...
- 利用逆矩阵解线性方程组_QR方法求解矩阵所有特征值(一)
QR分解法是求中小型矩阵全部特征值的最有效并广泛应用的方法. 一般矩阵先经过正交相似变化成为Hessenberg矩阵,然后再应用QR方法求特征值和特征向量. QR 分解 在学习QR方法之前需要知道什么 ...
- numpy求解矩阵的特征值和特征向量
python2.7代码如下: #-*- encoding:utf-8 -*- import sys reload(sys) sys.setdefaultencoding('utf-8') import ...
- python 矩阵特征值分解_讲一下numpy的矩阵特征值分解与奇异值分解
1.特征值分解 主要还是调包: from numpy.linalg import eig 特征值分解: A = P*B*PT 当然也可以写成 A = QT*B*Q 其中B为对角元为A的特征值的对角矩 ...
- 证明:对于实对称矩阵,不同特征值对应的特征向量相互正交
前言 不同特征值对应的特征向量相互正交,是实对称矩阵的一个重要属性,而且从这个属性出发可以证明实对称矩阵的另一个属性:实对称矩阵必可相似对角化.对于一个 n 维矩阵,其可相似对角化的充分且必要条件是- ...
- python计算特征值特征向量_使用Python求解特征值、特征向量及奇异值分解(SVD)...
SVD也是对矩阵进行分解,但是和特征分解不同,SVD并不要求要分解的矩阵为方阵.假设我们的矩阵A是一个m×n的矩阵,那么我们定义矩阵A的SVD为:A=UΣVT 其中U是一个m×m的矩阵,Σ是一个m×n ...
- 特征值和特征向量概述-面试必问3(含特征值、向量意义)
特征值和特征向量(Eigenvalues and eigenvectors) 在线性代数中,一个线性变换的特征向量(eigenvector 或者 characteristic vector)是一个非零 ...
- Eigen 矩阵的特征值特征向量求解(EVD分解)
用Eigen库求解矩阵的特征值和特征向量. 矩阵的特征值特征向量求解(EVD分解) 一.EVD分解原理 1.特征值 2.特征值分解过程 二.EVD分解举例 三.Eigen库实求解特征值与特征向量 ...
最新文章
- 电脑连接电视方法详解_查看电脑配置的几种方法(图文详解)
- 写自己的CSS框架 Part2:跨越浏览器的reset
- 移动设备将成为2014年最大的安全风险
- mpeg4ip.h:126: error: new declaration ‘char* strcasestr(const char*, const char*)’
- Java I/O体系原理
- linux多线程学习(二)——线程的创建和退出
- hardmard积 用什么符号表示_表面粗糙度=表面光洁度?数值为什么用0.8、1.6、3.2等表示?...
- 如何在Scala中使用条件表达式
- Atitit.ati str 字符串增强api
- 离散数学第六版第er章偶数题答案_离散数学答案(尹宝林版)第二章习题解答
- Android ConstraintLayout布局详解
- Android测试工具-Emmagee使用
- 模板template基础学习
- 好消息!Android 模拟器可以运行 ARM 应用了
- pip镜像网站及使用方法
- 解决安装mysql“staring the server“问题
- oracle认证考试_通过获得Oracle助理认证来提升您的职业-PrepAway进行的1Z0-052考试复习
- Ubuntu中禁用触摸板
- 使用VeraCrypt进行整盘加密介绍
- 计网PPT 第九章 无线网络和移动网络