线性代数——矩阵的特征值和特征向量

概念和几何意义

• 设A是n阶矩阵，如果数λ和n维非零列向量x使关系式
  $$Ax=\lambda x$$
  成立，那么，这样的数λ称为矩阵A的特征值，非零向量x称为A的对应于特征值λ的特征向量。
• 从线性变换y = Ax的角度来看：若A为正交矩阵，则y与x的长度相同；若x为A的对应于特征值λ的特征向量，则y与x的方向相同，长度是x的λ倍。
• 上式可写成
  $$(A-\lambda E)x=0,$$
  根据克拉默法则，它有非零解的充分必要条件是
  $$\left|A-\lambda E\right|=0.$$
  上式是以λ为未知数的一元n次方程，称为矩阵A的特征方程。其左端∣A−λE∣是λ的n次多项式，记作f(λ)，称为矩阵A的特征多项式。

算法和性质

• 特征值求法： A的特征值就是特征方程的解。特征方程在复数范围内恒有解，其个数为方程的次数（重根按重数计算），因此，n阶矩阵A在复数范围内有n个特征值。
• 特征向量求法： 把求得的特征值λ_i代入(A−λE)x=0，可求得A的对应于特征值λ_i的特征向量x_i，kx_i(k≠0)是A的对应于特征值λ_i的全部特征向量。
• 零矩阵的特征值为0。
• 设n阶矩阵A的特征值为λ₁，λ₂，…，λ_n，则
  （1）λ₁+λ₂+…+λ_n = a₁₁+a₂₂+…+a_nn = tr(A)
  （2）λ₁λ₂…λ_n = |A|
• 若λ是A的特征值，则λ^k是A^k的特征值（若A可逆，$\frac{1}{\lambda }$是A^-1的特征值）；φ(λ)是φ(A)的特征值。
• 【例】设3阶矩阵A的特征值为1，-1，2，求A^*+3A-2E的特征值。
  解：因A的特征值全不为0，知A可逆，故A^*=|A|A^-1，而|A|=λ₁λ₂λ₃=-2，所以A^*+3A-2E=-2A^-1+3A-2E=φ(A)，则φ(λ)=-$\frac{2}{\lambda }$+3λ-2，从而可得特征值为φ(1)=-1，φ(-1)=-3，φ(2)=3.
• 设λ₁，λ₂，…，λ_m是方阵A的m个特征值，p₁，p₂，…，p_m依次是与之对应的特征向量，如果λ₁，λ₂，…，λ_m各不相等，则p₁，p₂，…，p_m线性无关。

Numpy求特征值和特征向量

import numpy as np

A = np.mat('1 0;0 1')
eigvalue, eigvector = np.linalg.eig(A)  # 返回包含特征值和对应的特征向量的元组
print(eigvalue)
print(eigvector)

print(np.linalg.eigvals(A))  # 计算矩阵的特征值

[1. 1.]
[[1. 0.]
 [0. 1.]]
[1. 1.]

Numpy求解矩阵方程（求解线性方程组Ax=b）

import numpy as np

A = np.mat('1 0;0 1')
b1 = np.mat([[2], [1]])    # mat必须用列向量
b2 = np.array([2, 1])    # 数组可以用行向量
x1 = np.linalg.solve(A, b1)
x2 = np.linalg.solve(A, b2)
print(x1)
print(x2)

[[2.]
 [1.]]
[2. 1.]