矩阵特征值和特征向量（Eigenvalue and Eigenvector）

最新推荐文章于 2022-03-19 21:48:32 发布

努力的老周

最新推荐文章于 2022-03-19 21:48:32 发布

阅读量9.1k

点赞数 3

分类专栏：笔记文章标签：特征值 eigenvalue 特征向量 eigenvector

本文链接：https://blog.csdn.net/justidle/article/details/110070346

版权

笔记专栏收录该内容

70 篇文章 8 订阅

订阅专栏

定义

矩阵 A 为 n 阶方阵，它的特征向量（eigenvector）v 经过这个线性变化之后，得到的新向量仍然与原来的 v 保持再同一条直线上，但其长度或方向也许会改变。即 $A\nu =\lambda \nu$ ，其中 $\lambda$ 为标量，即特征向量的长度在该线性变化下缩放比例，称 $\lambda$ 为其特征值（eigenvalue）。

根据定义，我们需要满足 $Ax =\lambda x$ ， $Ax=\lambda xI=\lambda Ix$ 。使用左手法则，我们可以得到 $Ax-\lambda Ix=0$ ，对应 $（A-\lambda I)x=0$ $(A-\lambda I)x=0$ ，这是关于标量 x 的 n 阶齐次线性方程组，它有非零解的充分必要条件是系数行列式为零，也就是 $det(A-\lambda I)=0$ 。

含义

如果特征值为正，则表示 v 在经过线性变换的作用后方向也不变；如果特征值为负，说明方向会反转；如果特征值为 0，则是表示缩回零点。但无论怎么样，仍在同一条直线上。

举例

假设 $A=\begin{bmatrix} -6 & 3\\ 4 & 5 \end{bmatrix}$ 。求对应的特征向量和特征值。

根据 $\left \| A-\lambda I \right \|=0$ ，我们可以写出 $|\begin{bmatrix} -6 & 3\\ 4 & 5 \end{bmatrix}-\lambda \begin{bmatrix} 1 & 0\\ 0 & 1 \end{bmatrix}|=0$ ，也就是 $\left \| \begin{bmatrix} -6-\lambda & 3\\ 4 & 5-\lambda \end{bmatrix} \right \|=0$ ，通过计算对应的行列式为 $(-6-\lambda )(5-\lambda )-3*4=0$ ，也就是 $\lambda ^2+\lambda -42=(\lambda -6)(\lambda +7)=0$ 。

这样，我们得到了两个可能的特征值，即 $\left\{\begin{matrix} \lambda_1=-7\\ \lambda_2=6 \end{matrix}\right.$ 。

下面我们将对应的特征值代入 $Ax=\lambda x$ 中。

当 $\lambda=6$ ，对应的方程变为 $\begin{bmatrix} -6 & 3\\ 4& 5 \end{bmatrix}\begin{bmatrix} x_1\\ x_2 \end{bmatrix}=6\begin{bmatrix} x_1\\ x_2 \end{bmatrix}$ ，展开我们可以得到方程 $\left\{\begin{matrix} -6x_1+3x_2=6x_1\\ 4x_1+5x_2=6x_2 \end{matrix}\right.$ ，使用左手法则得到 $\left\{\begin{matrix} -12x_1+3x_2=0\\ 4x_1-x_2=0 \end{matrix}\right.$ ，每个方程都给出了 x_2=4x_1 ，这样我们可以得到一个非零的特征向量，即 $\begin{bmatrix} 1\\ 4 \end{bmatrix}$ 。下面我们来验证这个特征向量的正确性，同样代入到方程可得 $\begin{bmatrix} -6 & 3\\ 4& 5 \end{bmatrix}\begin{bmatrix} 1\\ 4 \end{bmatrix}=\begin{bmatrix} -6*1+3*4\\ 4*1+5*4 \end{bmatrix}=\begin{bmatrix} 6\\ 24 \end{bmatrix}=6\begin{bmatrix} 1\\ 4 \end{bmatrix}$ ，验证完毕。

当 $\lambda =-7$ ，对应的方程变为 $\begin{bmatrix} -6 & 3\\ 4& 5 \end{bmatrix}\begin{bmatrix} x_1\\ x_2 \end{bmatrix}=-7\begin{bmatrix} x_1\\ x_2 \end{bmatrix}$ ，展开我们可以得到方程 $\left\{\begin{matrix} -6x_1+3x_2=-7x_1\\ 4x_1+5x_2=-7x_2 \end{matrix}\right.$ ，使用左手法则得到 $\left\{\begin{matrix} x_1+3x_2=0\\ 4x_1+12x_2=0 \end{matrix}\right.$ ，每个方程都给出了 x_1=-3x_2 ，这样我们可以得到一个非零的特征向量，即 $\begin{bmatrix} -3\\ 1 \end{bmatrix}$ 。下面我们来验证这个特征向量的正确性，同样代入到方程可得 $\begin{bmatrix} -6 & 3\\ 4& 5 \end{bmatrix}\begin{bmatrix} -3\\ 1 \end{bmatrix}=\begin{bmatrix} (-6)*(-3)+3*1\\ 4*(-3)+5*1 \end{bmatrix}=\begin{bmatrix} 21\\ -7 \end{bmatrix}=-7\begin{bmatrix} -3\\ 1 \end{bmatrix}$ ，验证完毕。

努力的老周

关注

3
点赞
踩
26

收藏

觉得还不错? 一键收藏
打赏
0
评论
矩阵特征值和特征向量（Eigenvalue and Eigenvector）

定义矩阵 A 为 n 阶方阵，它的特征向量（eigenvector）v 经过这个线性变化之后，得到的新向量仍然与原来的 v 保持再同一条直线上，但其长度或方向也许会改变。即，其中为标量，即特征向量的长度在该线性变化下缩放比例，称为其特征值（eigenvalue）。根据定义，我们需要满足，。使用左手法则，我们可以得到，对应，这是关于标量 x 的 n 阶齐次线性方程组，它有非零解的充分必要条件是系数行列式为零，也就是。含义如果特征值为正，则表示 v 在经过线性变换的作用后方向也.
复制链接

扫一扫