MIT18.06线性代数课程笔记21：特征向量、特征值简介、求法与性质

课程简介

18.06是Gilbert Strang教授在MIT开的线性代数公开课，课程视频以及相关资料请见https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/index.htm。

课程笔记

1. 特征值与特征向量的定义

若$Ax=\lambda x$成立，则称$\lambda$为特征值，$x$为特征向量。对于某一特征值，可以有无数多个特征向量，我们通常关心其中线性无关的有限个。

2. 几个小例子

1. 投影矩阵$P$，输出任意向量投影到该子空间的向量。特征值为1或者0,。特征值为1时的特征向量为子空间的一组基，特征值为0时的特征向量为null space的一组基。
   • 置换矩阵，具体的，二维置换矩阵$A=\begin{bmatrix}0,1\\1,0\end{bmatrix}$。特征值为1或-1。特征值为1时的特征向量为$[1,1]^T$，特征值为0时的特征向量为$[1,-1]^T$。

   • 3. 通过行列式求解特征值与特征向量

     具体的，观察$Ax=\lambda x$的成立条件等价于$(A-\lambda I)x=0$成立，即$A-\lambda I$奇异，等价于$det(A-\lambda I)=0$。展开此公式可以得到$\lambda$的$n$阶多项式（$A\in R^{n\times n}$, $x\in R^n$），有$n$个解。求解出$\lambda$之后再求解$A-\lambda I$的null space。

     4. 行列式的性质

     1. 对称矩阵的特征值均为实数（未证明）。
     2. 所有特征值的和等于矩阵对角线上元素的和， $\sum\lambda_i = trace(A)$（未证明）。
     3. 所有特征值的乘积等于矩阵行列式，$\prod\lambda_i=det(A)$（未证明）。
     4. $A+aI$与$A$的特征向量相同，特征值加$a$（考虑行列式求解方法）。
     5. 三角矩阵的特征向量为矩阵对角线上的元素，即$\lambda_i=A_{ii}$（$A-\lambda I$的行列式仅为对角线上元素乘积）。

     5. 几种特殊的特征值与特征向量

     1. 特征值为复数，例如旋转矩阵$A=\begin{bmatrix}0,-1\\1,0\end{bmatrix}$（旋转向量90°），特征值为$i$与$-i$。
     2. 特征值重复，例如$A=\begin{bmatrix}3,1\\0,3\end{bmatrix}$，特征值为$3$，且$A-3I$的null space维度为1。