线性代数(20)——特征值和特征向量(上)

特征值和特征向量是线性代数中十分关键的一部分内容。

概念

特征值和特征向量都是方阵的属性。描述的是方阵的特征，同时特征值和特征向量表征是当方阵做变换时候的一个特征。具体举例如下，

以一个向量在两个空间坐标系中的转换为例，给出空间基向量的矩阵，一个是标准基，另一个是$A$，

对于一些向量，满足如下特点，

总结为一个向量经过坐标转换后对应的向量与其本身相比方向不变，是其某个倍数。这种向量$\vec{u}$称为$A$矩阵对应于$\lambda$的特征向量，相应的倍数称为$A$矩阵的特征值。

求解特征值和特征向量

对于 $A\vec{u}=\lambda \vec{u}$而言，零向量在任何情况下是肯定满足的，即零向量是一个平凡解。所以，特征向量不考虑零向量。

但是，$\lambda =0$并不平凡，当$\lambda =0$时， $A\vec{u}=0$是一个齐次线性方程组。回顾之前的知识，如果矩阵$A$可逆，则 $A\vec{u}=0$这个线性系统的$\vec{u}$只有零解，但零向量不考虑在特征向量中，所以$\vec{u}$不为零向量。故此时$A$不可逆。所以特征值可以为0。

计算过程

方程有非零解对应的就是向量$\vec{u}$不是零向量，回顾之前矩阵可逆的一系列等价命题，

因为此时$\vec{u}̸=0$，所以方阵$A$不可逆，对应着如上所有命题的逆命题，其中与计算相关的还有一个命题就是矩阵$A$的行列式在$A$不可逆时为0。所以求取特征值和特征向量就转化为一个求取行列式的问题，
$$det(A-\lambda I)=0$$
这也就是行列式是求取特征值和特征向量的基础的原因。上面的方程中只有$\lambda$一个未知数，对于所有的矩阵$A$都是适用的，所以上面的方程也称为特征方程。

以上面笔记中的$A$矩阵为例，
$$\begin{gathered} |A-\lambda I|=\left|\begin{array}{cc}4-\lambda & -2\\ 1& 1-\lambda \end{array}\right| \\ =(4-\lambda )(1-\lambda )-(-2) \\ ={\lambda }^2-5\lambda +6=(\lambda -2)(\lambda -3)=0 \end{gathered}$$
可得，
$$\begin{gathered} {\lambda }_1=2 \\ {\lambda }_2=3 \end{gathered}$$
对于每一个特征值求取特征向量，该过程就是一个求取线性系统解的过程，

对于一个特征值$\lambda$而言，特征向量是不唯一的，有无数个。

基于上面的推导，也将矩阵可逆的等价命题补全，

相关概念

1. 若$\vec{u}$是$A$对应于$\lambda$的一个特征向量，则$k\vec{u}$也是一个特征向量（$k̸=0$）
   对该结论进行证明，
   $$A(k\vec{u})=k(A\vec{u})=k(\lambda \vec{u})=\lambda (k\vec{u})$$
2. $(A-\lambda I)\vec{u}=0$可以视为特征向量构成了 $A-\lambda I$ 零空间（刨除零向量），此时 $E\lambda =O\cup \lambda 的特征向量$，$E\lambda$称为$\lambda$对应的特征空间。
3. 计算$\lambda$的过程中， $det(A-\lambda I)=0$是一个关于$\lambda$的$n$次方程，对应$\lambda$存在$n$个解。
   如果$n$维矩阵$A$有$n$个特征值，即$n$个实数解，且每个解各不相同，则称为简单特征值。
   如果特征方程得到的n个特征值有相同的值存在的情况，此时的特征值称为多重特征值。
   如果特征方程在实数范围内没有解，但是在复数范围内存在解，则称特征值为复数特征值。
   

特征值与特征向量的性质

特殊方阵的特征值和特征向量

1. 对角矩阵
   
   对角矩阵的特征值计算时根本无需求解矩阵的特征方程，对角线上的每个元素都是一个特征值。
2. 上三角矩阵和下三角矩阵
   
   上三角矩阵和下三角矩阵计算行列式的方式与对角矩阵相同，所以其特征值也和对角矩阵是一样的。

若λ是方阵A的特征值，则λ^m是A^m的特征值

对这一问题的证明分为两种情况

1. $m\ge 1$时，
   
2. $m=-1$时，此时$A^{-1}$是矩阵$A$的逆
   

如果矩阵A含有两个不同的特征值，则他们对应的特征向量是线性无关的