特征值与特征向量

最新推荐文章于 2024-01-17 08:30:00 发布

猫猫虫(——)

最新推荐文章于 2024-01-17 08:30:00 发布

阅读量2.6w

点赞数 11

文章标签：特征值特征向量线性代数

本文链接：https://blog.csdn.net/qq_41398808/article/details/100037452

版权

本文参考《Linear Algebra and Its Applications》——David C.Lay, Steven R. Lay, Judi J.McDonald，中译本名为《线性代数及其应用》（原书第五版）中的相关章节。

一：特征值，特征向量

定义如下：

A为n*n的矩阵，x为非零向量，若存在数λ使Ax=λx有非平凡解x，则称λ为A的特征值，x称为对应于λ的特征向量。

例：设 $A=\begin{bmatrix} 1 & 6\\ 5 & 2 \end{bmatrix}$ ， $\mu =\begin{bmatrix} 6\\ -5 \end{bmatrix}$

$A\mu =\begin{bmatrix} 1 & 6\\ 5 & 2 \end{bmatrix}\begin{bmatrix} 6\\ -5 \end{bmatrix}=\begin{bmatrix} -24\\ 20 \end{bmatrix}=-4\begin{bmatrix} 6\\ -5 \end{bmatrix}=-4\mu$

可以看到A对特征向量的作用是很简单的，它只是对特征向量进行了拉伸，而特征值表达了它拉伸的方向和大小。

式 $Ax=\lambda x$ 可以变为 $(A-\lambda I)x=0$ ，所以A的特征向量是满足 $(A-\lambda I)x=0$ 的所有非平凡解，这个解集称为A对应于 $\lambda$ 的特征空间。

二：特征方程

由于A的特征向量是满足 $(A-\lambda I)x=0$ 的所有非平凡解，所以要使 $(A-\lambda I)x=0$ 有非平凡解，则 $A-\lambda I$ 为可逆矩阵，则det( $A-\lambda I$ )=0。所以称det( $A-\lambda I$ )=0为A的特征方程。

换句话说：数 $\lambda$ 是n*n矩阵A的特征值的充要条件是 $\lambda$ 是特征方程det( $A-\lambda I$ )=0的根。

三：相似性

若A和B是n*n的矩阵，如果存在可逆矩阵P，使得 $P^{-1}AP=B$ ，称为A相似于B，由于可逆矩阵的逆也是可逆的，所以B也相似于A，所以称A和B是相似的，而把A变成B（ $P^{-1}AP$ ）的变换称为相似变换。若A和B是相似的，则他们有相同的特征多项式，从而有相同的特征值（和相同的重数）

四：对角化

定义：若方阵A相似于对角矩阵，即存在可逆矩阵P和对角矩阵D，有 $A=PDP^{-1}$ ，则称A可对角化。

设P是列为 $v_{1},...,v_{n}$ 的任意n*n矩阵，D是对角线元素为 $\lambda _{1},...,\lambda_{n}$ 的对角矩阵，那么：

$AP=A\begin{bmatrix} v_{1} & v_{2} & \cdots & v_{n} \end{bmatrix}=\begin{bmatrix} Av_{1} & Av_{2} & \cdots & Av_{n} \end{bmatrix}$

而

$PD=P\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0\\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}=\begin{bmatrix} \lambda_{1}v_{1} & \lambda_{2}v_{2} & \cdots & \lambda_{n}v_{n} \end{bmatrix}$

假设A可对角化且 $A=PDP^{-1}$ ，用P右乘等式两边，则有 $AP=PD$ :

$\begin{bmatrix} Av_{1} & Av_{2} & \cdots & Av_{n} \end{bmatrix}=\begin{bmatrix} \lambda_{1}v_{1} & \lambda_{2}v_{2} & \cdots & \lambda_{n}v_{n} \end{bmatrix}$

$Av_{1}=\lambda_{1}v_{1},Av_{2}=\lambda_{2}v_{2},...,Av_{n}=\lambda_{n}v_{n}$

因为P可逆，所以P的各列线性无关，所以由上式得 $\lambda_{1},\lambda_{2},...,\lambda_{n}$ 是A的特征值， $v_{1},v_{2},...,v_{n}$ 是相应的特征向量。

所以，总行所述， $A=PDP^{-1}$ ，D为对角矩阵的充要条件是P的列向量是A的n个线性无关的特征向量，此时，D的主对角线上的元素分别是A对应于P中特征向量的特征值。

猫猫虫(——)

关注

11
点赞
踩
54

收藏

觉得还不错? 一键收藏
打赏
1
评论
特征值与特征向量

本文参考《Linear Algebra and Its Applications》——David C.Lay, Steven R. Lay, Judi J.McDonald，中译本名为《线性代数及其应用》（原书第五版）中的相关章节。一：特征值，特征向量定义如下：A为n*n的矩阵，x为非零向量，若存在数λ使Ax=λx有非平凡解x，则称λ为A的特征值，x称为对应于λ的特征向量。例：设，...
复制链接

扫一扫