A的特征值λ和特征向量x有如下关系: A x = λ x Ax=λx Ax=λx
- d e t ( A − λ I ) = 0 det(A-λI)=0 det(A−λI)=0 (求解这个行列式可以用来算特征值)
- A = X Λ X − 1 A=X\Lambda X^{-1} A=XΛX−1
- A 2 = X Λ 2 X − 1 A^2=X\Lambda^2 X^{-1} A2=XΛ2X−1
- 特征值之和等于迹
- 特征值之积点云行列式的值
- 逆矩阵的特征向量不变,特征值变成导数
因为
A
x
=
λ
x
Ax=λx
Ax=λx
所以
A
x
=
λ
I
x
Ax=λIx
Ax=λIx
可以得到
(
A
−
λ
I
)
x
=
0
(A-λI)x=0
(A−λI)x=0
从列空间的角度理解可以知道,
(
A
−
λ
I
)
x
(A-λI)x
(A−λI)x是矩阵
(
A
−
λ
I
)
(A-λI)
(A−λI)的列空间中的坐标
x
x
x
如果它等于0,有两种可能,一个是特征向量为0,另一个是这个列空间的基向量不是互相独立的,部分列可以抵消其他列,这意味着
(
A
−
λ
I
)
(A-λI)
(A−λI)是非满秩矩阵,矩阵不满秩,意味着它的行列式等于0, 所以
d
e
t
(
A
−
λ
I
)
=
0
det(A-λI)=0
det(A−λI)=0
由列空间的角度理解,我们可以按列堆叠特征向量得到如下关系
A
X
=
X
Λ
AX=X\Lambda
AX=XΛ, 其中
Λ
\Lambda
Λ是特征值组成的对角矩阵,X是特征向量按列堆叠,如果特征向量互相独立则有
这个可以得出
A
=
X
Λ
X
−
1
A=X\Lambda X^{-1}
A=XΛX−1
A
x
=
λ
x
Ax=\lambda x
Ax=λx >>
x
=
λ
A
−
1
x
x=\lambda A^{-1}x
x=λA−1x >>
1
/
λ
x
=
A
−
1
x
1/\lambda x = A^{-1}x
1/λx=A−1x 从这个关系可以看出逆矩阵的特征向量和原本一致,但是特征值变成原本的导数
另外对称矩阵有两个特性
- 特征值是实数
- 特征向量正交
所以对称矩阵可以拆成 A = Q Λ Q − 1 A=Q\Lambda Q^{-1} A=QΛQ−1
特征值之和等于迹
特征值之积点云行列式的值
这两个可以通过解
d
e
t
(
A
−
λ
I
)
=
0
det(A-λI)=0
det(A−λI)=0时构造出方程,再结合韦达定理可得出
A n x = λ n x A^nx=\lambda^nx Anx=λnx