线性代数及其应用：第五章 特征值与特征向量

  前言：这篇blog是《 Linear Algebra and Its Applications》第五章的一些学习笔记。

第五章 特征值与特征向量

1.特征值与特征向量

  对方阵$A_{n\times n}$，其特征方程表示为$$Ax=\lambda x(x̸=0)$$其中$\lambda$是标量，也叫特征值(特征根，本征值)，$x$是向量，也叫特征向量。

  其几何意义：特征向量的方向是一个特殊的方向，在这个方向上进行矩阵$A$的线性变换，等于在这个方向伸缩$\lambda$倍。

  方阵一定有特征值，因为方阵的特征多项式在复数域内一定能分解成一次因式，但是方阵不一定有实特征值。

1.1. 求解特征值与特征向量

  求解$$(A-\lambda I)x=0$$要求$x$在$A-\lambda I$的零空间上，所以零空间不为0，所以$$det(A-\lambda I)=0$$求解该方程即可得到特征值$\lambda$，把$\lambda$代回$$(A-\lambda I)x=0$$求解该方程得到特征向量$x$。

1.2. 性质

  假设 A n × n = { a i j } A_{n \times n}=\{a_{ij}\} An×n​={ aij​}有特征值${\lambda }_n$与特征向量$x_n$，则$$\left|\begin{array}{cccc}{a}_{11}-\lambda & & & a_{ij}\\ & a_{22}-\lambda & & \\ & & \dots & \\ a_{ij}& & & a_{nn}-\lambda \end{array}\right|=({\lambda }_1-\lambda )({\lambda }_2-\lambda )\dots ({\lambda }_n-\lambda )$$

下面证明性质会用到上式。

性质一：${\lambda }_1\cdot {\lambda }_2\cdot {\lambda }_3\dots {\lambda }_n=det(A)$
证明：把$\lambda =0$代入上式即可证明。

性质二：${\lambda }_1+{\lambda }_2+{\lambda }_3+\cdots +{\lambda }_n=Tr(A)=a_{11}+a_{22}+\cdots +a_{nn}$
证明：假设把上式等号左右展开，看${\lambda }^{n-1}$项的系数，左边$=(-1{)}^{n-1}(a_{11}+a_{22}+\cdots +a_{nn}){\lambda }^{n-1}$=右边=$(-1{)}^{n-1}({\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n){\lambda }^{n-1}$，证毕。

性质三：$f(A)$的特征值是$f({\lambda }_i)$，$f(\cdot )$是多项式函数
证明：$f(A)=a_n{A}^n+a_{n-1}{A}^{n-1}+\cdots +a_{1}A+a_0$两边右乘特征向量$x$。
$$\begin{array}{rl}f(A)x& =a_n{A}^{n}x+a_{n-1}{A}^{n-1}x+\cdots +a_2{A}^{2}x+a_{1}Ax+a_{0}x\\ & =a_n\lambda A^{n-1}x+a_{n-1}\lambda A^{n-2}x+\cdots +a_2\lambda Ax+a_1\lambda x+a_{0}x\\ & =a_n{\lambda }^2{A}^{n-2}x+a_{n-1}{\lambda }^2{A}^{n-3}x+\cdots +a_2{\lambda }^{2}x+a_1\lambda x+a_{0}x\\ & \dots \\ & =a_n{\lambda }^{n}x+a_{n-1}{\lambda }^{n-1}x+\cdots +a_2{\lambda }^{2}x+a_1\lambda x+a_{0}x\\ & =f(\lambda )x\end{array}$$

性质四：不同特征根对应特征向量一定线性无关。
证明：设${\lambda }_1$的一个特征向量$x_1$，${\lambda }_2$的一个特征向量$x_2$，${\lambda }_1̸={\lambda }_2$。
令$$c_1{x}_1+c_2{x}_2=0\text{\hspace{1em}(1)}$$(1)左乘A得$$c_{1}A{x}_1+c_{2}A{x}_2=c_1{\lambda }_1{x}_1+c_2{\lambda }_2{x}_2=0\text{\hspace{1em}(2)}$$

(1)左乘${\lambda }_1$得$$c_1{\lambda }_1{x}_1+c_2{\lambda }_1{x}_2=0\text{\hspace{1em}(3)}$$

(2)-(3)得$$c_2({\lambda }_2-{\lambda }_1)x_2=0$$，由于${\lambda }_2̸={\lambda }_1$，$x_2̸=0$，故$c_2=0$，重复上面方法，消去$c_2$，可得$c_1=0$，故(1)式子成立一定有$c_1=c_2=0$，所以$x_1,x_2$线性无关。

性质五：Hamilton-Cayley定理，设$$f(\lambda )=|\lambda E-A|={\lambda }^n+b_1{\lambda }^{n-1}+\cdots +b_{n-1}\lambda +b_n$$则$$f(A)=|\lambda E-A|=A^n+b_1{A}^{n-1}+\cdots +b_{n-1}A+b_{n}E=0$$

2. 特征值分解

2.1. 特征值分解：

  设$A$的特征值为${\lambda }_n$，特征向量为$x_n$，令$$\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & 0\\ & {\lambda }_2& & \\ & & \dots & \\ 0& & & {\lambda }_n\end{array}\right]$$

$$S=\left[\begin{array}{cccc}|& |& & |\\ x_1& x_2& \dots & x_n\\ |& |& & |\end{array}\right]$$

则 $$\begin{array}{rl}A\cdot S& =(A\cdot x_1,A\cdot x_2,\dots ,A\cdot x_n)\\ & =({\lambda }_1\cdot x_1,{\lambda }_2\cdot x_2,\dots ,{\lambda }_n\cdot x_n\end{array}$$