本篇笔记源于《程序员的数学之线性代数》
定义与性质
一般而言,对于方阵A,满足
A p = λ p p ≠ o \begin{array}{c} A \boldsymbol{p}=\lambda \boldsymbol{p} \\ \boldsymbol{p} \neq \boldsymbol{o} \end{array} Ap=λpp=o
的数 λ \lambda λ和向量p分别称为特征值和特征向量。
几何学意义
从几何学意义上讲,特征向量乘上A之后,除了长度会有伸缩变化,方向将不会发生改变。这里的长度变化倍率便是特征值。用动态图描述在2x2矩阵A的作用下,其两个特征向量的变化如图所示:
性质
令 λ \lambda λ, p \boldsymbol{p} p为方阵A的特征值和特征向量,则
- “A有0特征值”等价于“A是奇异矩阵”(0特征值就说明存在Ap=o,p不等于o,所以A的ker不为零,p至少有一维的信息映射到相同的结果,这一维在新空间中就无用了)
- “A没有0特征值”等价于“A可逆”(从行列式角度看A对角化后的行列式等于A的行列式,A行列式不为0于是A可逆)
- 对于 α ≠ 0 \alpha \neq 0 α=0, α p \alpha p αp也是A的特征向量,对应的特征值都是 λ \lambda λ
- 对于特征值 λ \lambda λ,若另有向量q也是其特征向量,那么p+q也是A的特征向量,对应特征值为 λ \lambda λ
- p是 α A \alpha A αA的特征向量,对应特征值为 α λ \alpha \lambda αλ
- p是 A + α I A+\alpha I A+αI的特征向量,对应特征值为 α + λ \alpha+\lambda α+λ
- p是 A k A^k Ak的特征向量,对应特征值为 λ k \lambda^k λk
- p是 A − 1 A^{-1} A−1的特征向量(前提是A逆存在),对应的特征值为 1 λ \frac{1}{\lambda} λ1
- S − 1 p S^{-1}p S−1p是 S − 1 A S S^{-1}AS S−1AS的特征向量,对应的特征值为 λ \lambda λ
- 对角矩阵 diag ( a 1 , ⋯ , a n ) \operatorname{diag}\left(a_{1}, \cdots, a_{n}\right) diag(a1,⋯,an)