之间矩阵和若尔当标准型相似
矩阵和若尔当标准型有(在联盟百科)12共同点: 劍橋大學出版社,基 (線性代數),可对角化矩阵,對角矩陣,矩阵分解,秩-零化度定理,系数,特征向量,特征值和特征向量,特徵多項式,谱定理,方块矩阵。
劍橋大學出版社
劍橋大學出版社(Cambridge University Press)隸屬於英國劍橋大學,成立於1534年,是世界上僅次於牛津大學出版社的第二大大學出版社。.
基 (線性代數)
在线性代数中,基(basis)(也称为基底)是描述、刻画向量空间的基本工具。向量空间的基是它的一个特殊的子集,基的元素称为基向量。向量空间中任意一个元素,都可以唯一地表示成基向量的线性组合。如果基中元素个数有限,就称向量空间为有限维向量空间,将元素的个数称作向量空间的维数。 使用基底可以便利地描述向量空间。比如说,考察从一个向量空间\mathrm射出的线性变换f,可以查看这个变换作用在向量空间的一组基\mathfrak上的效果。掌握了f(\mathfrak),就等于掌握了f对\mathrm中任意元素的效果。 不是所有空间都拥有由有限个元素构成的基底。这样的空间称为无限维空间。某些无限维空间上可以定义由无限个元素构成的基。如果承认选择公理,那么可以证明任何向量空间都拥有一组基。一个向量空间的基不止一组,但同一个空间的两组不同的基,它们的元素个数或势(当元素个数是无限的时候)是相等的。一组基里面的任意一部分向量都是线性无关的;反之,如果向量空间拥有一组基,那么在向量空间中取一组线性无关的向量,一定能将它扩充为一组基。在内积向量空间中,可以定义正交的概念。通过特别的方法,可以将任意的一组基变换成正交基乃至标准正交基。.
基 (線性代數)和矩阵 · 基 (線性代數)和若尔当标准型 ·
可对角化矩阵
可对角化矩阵是线性代数和矩阵论中重要的一类矩阵。如果一个方块矩阵 A 相似于对角矩阵,也就是说,如果存在一个可逆矩阵 P 使得 P −1AP 是对角矩阵,则它就被称为可对角化的。如果 V 是有限维度的向量空间,则线性映射 T: V → V 被称为可对角化的,如果存在 V 的一个基,T 关于它可被表示为对角矩阵。对角化是找到可对角化矩阵或映射的相应对角矩阵的过程。 可对角化矩阵和映射在线性代数中有重要价值,因为对角矩阵特别容易处理: 它们的特征值和特征向量是已知的,且其次方可通过計算对角元素同样的次方来獲得。 若尔当-谢瓦莱分解表达一个算子为它的对角部分与它的幂零部分的和。.
對角矩陣
對角矩陣(diagonal matrix)是一個主對角線之外的元素皆為0的矩陣。對角線上的元素可以為0或其他值。因此n行n列的矩陣\mathbf.
對角矩陣和矩阵 · 對角矩陣和若尔当标准型 ·
矩阵分解
矩阵分解(decomposition, factorization)是多半将矩阵拆解为数个三角形矩阵(triangular matrix),依使用目的的不同,可分为几类。.
矩阵和矩阵分解 · 矩阵分解和若尔当标准型 ·
秩-零化度定理
秩-零化度定理是线性代数中的一个定理,给出了一个线性变换或一个矩阵的秩和它的零化度之间的关系。对一个元素在域\mathrm中的m \cdot n矩阵\mathrm,秩-零化度定理说明,它的秩(rank A)和零化度(nullity A)之和等于n: 同样的,对于一个从F-线性空间\mathrm射到\mathrm-线性空间\mathrm的线性变换 \mathrm \;: \; \; \mathrm \rightarrow \mathrm , \mathrm的秩是它的象的维度,\mathrm的零化度是它的核(零空间)的维度。我们有: 实际上定理在更广的范围内也成立,因为\mathrm和\mathrm可以是无限维的。.
系数
在数学中,系数是在某个表达式中作为某个对象的乘法因数的常数。比如说,9x2中的系数是9。 拥有系数的对象可以各种各样,比如说变量、函数、向量或者矩阵。有的时候系数似乎没有对象,比如说堅尼係數,实际上是因为对应的对象过于生僻而没有列出。在某些情况下,系数会被标上上标或下标,以示区分,如下式中: 为了与xn协调,an 是一个带有下标的系数,n.
特征向量
#重定向 特征值和特征向量.
特征向量和矩阵 · 特征向量和若尔当标准型 ·
特征值和特征向量
在数学上,特别是线性代数中,对于一个给定的矩阵A,它的特征向量(eigenvector,也譯固有向量或本征向量)v 经过这个线性变换之后,得到的新向量仍然与原来的v 保持在同一條直線上,但其长度或方向也许會改变。即 \lambda為純量,即特征向量的长度在该线性变换下缩放的比例,称\lambda 为其特征值(本征值)。如果特徵值為正,则表示v 在经过线性变换的作用后方向也不变;如果特徵值為負,说明方向会反转;如果特征值为0,则是表示缩回零点。但无论怎样,仍在同一条直线上。图1给出了一个以著名油画《蒙娜丽莎》为题材的例子。在一定条件下(如其矩阵形式为实对称矩阵的线性变换),一个变换可以由其特征值和特征向量完全表述,也就是說:所有的特徵向量組成了這向量空間的一組基底。一个特征空间(eigenspace)是具有相同特征值的特征向量与一个同维数的零向量的集合,可以证明该集合是一个线性子空间,比如\textstyle E_\lambda.
特征值和特征向量和矩阵 · 特征值和特征向量和若尔当标准型 ·
特徵多項式
在線性代數中,對一個線性自同態(取定基即等價於方陣)可定義其特徵多項式,此多項式包含該自同態的一些重要性質,例如行列式、跡數及特徵值。.
特徵多項式和矩阵 · 特徵多項式和若尔当标准型 ·
谱定理
数学上,特别是线性代数和泛函分析中,谱定理是关于线性算子或者矩阵的一些结果。泛泛来讲,谱定理给出了算子或者矩阵可以对角化的条件(也就是可以在某个基底中用对角矩阵来表示)。对角化的概念在有限维空间中比较直接,但是对于无穷维空间中的算子需要作一些修改。通常,谱定理辨认出一族可以用乘法算子来代表的线性算子,这是可以找到的最简单的情况了。用更抽象的语言来讲,谱定理是关于交换C*-代数的命题。参看谱分析中的历史观点。 可以应用谱定理的例子有希尔伯特空间上的自伴算子或者更一般的正规算子。 谱定理也提供了一个算子所作用的向量空间的标准分解,称为谱分解,特征值分解,或者特征分解。 本条目中,主要考虑谱定理的简单情况,也就是希尔伯特空间上的自伴算子。但是,如上文所述,谱定理也对希尔伯特空间上的正规算子成立。.
矩阵和谱定理 · 若尔当标准型和谱定理 ·
方块矩阵
方塊矩陣,或简称方阵,是行數及列數皆相同的矩陣。由n \times n\,矩陣組成的集合,連同矩陣加法和矩陣乘法,构成環。除了n.
方块矩阵和矩阵 · 方块矩阵和若尔当标准型 ·
上面的列表回答下列问题
- 什么矩阵和若尔当标准型的共同点。
- 什么是矩阵和若尔当标准型之间的相似性
矩阵和若尔当标准型之间的比较
矩阵有194个关系,而若尔当标准型有33个。由于它们的共同之处12,杰卡德指数为5.29% = 12 / (194 + 33)。
参考
本文介绍矩阵和若尔当标准型之间的关系。要访问该信息提取每篇文章,请访问: