我正在看一些依赖于参数x
的矩阵的数字。矩阵对于某些值x
具有实特征值,但对于其他值,我在特征值和特征向量(异常点的出现)中具有简并性。
得到一个特殊点的最简单的例子之一是矩阵:
julia> h=[1 1im; 1im -1]
2×2 Array{Complex{Int64},2}:
1+0im 0+1im
0+1im -1+0im
特征值为零,应该是
2-element Array{Complex{Float64},1}:
-2.22045e-16+0.0im
0.0+0.0im
但是,我想知道朱莉娅为什么给我特征向量:
julia> b[2][:,1]
2-element Array{Complex{Float64},1}:
-0.0-0.707107im
0.707107+0.0im
julia> b[2][:,2]
2-element Array{Complex{Float64},1}:
0.707107+0.0im
0.0+0.707107im
由于在这种情况下特征值为零,我认为关联的特征向量并不重要。但是如果特征值在复平面中的某处合并,我真的会得到两个相等的特征向量吗?
在朱莉娅有没有一种特殊的方法来治疗这种病例?
矩阵的核心由(1,i)'
的倍数组成,这就是你得到的。由于矩阵不是零矩阵,它具有秩1,因此也是共同秩1,本征空间具有维度1.广义本征空间是完整空间,你得到A*(1,0)' = (1,i)'
,以便在那个基础上((1,i)',(1,0)')
线性算子具有矩阵[[0,1],[0,0]]
,它的乔丹正常形式。