特征值和特征向量

EigenVector and EigenValue

一个线性变换(矩阵)对于一个向量(特征向量)的作用只体现在其长度(可以反向，也就是保留在自己张成的向量空间中)(特征值)的变化上。

特征值和特征向量(方阵)

定义：
设$A$是$n$阶矩阵，如果数$\lambda$和$n$维非零向列向量$\mathbf{x}$使关系式

$$A\mathbf{x}=\lambda\mathbf{x}\tag{1}$$
成立，那么，这样的数 $\lambda$称为矩阵 $A$的特征值，非零向量$\mathbf{x}$称为 $A$对应于特征值$\lambda$的 特征向量
$(1)$式也可以写成 $$(A-\lambda E)\mathbf{x}=\mathbf{0}$$
这是 $n$个未知数$n$个方程的 齐次线性方程组，他有非零解的充分必要条件是 系数行列式
$$\left|A-\lambda E\right|=0$$
即：
$$\left|\begin{matrix}a_{11}-\lambda&a_{12}&\cdots&a_{1n}\\ a_{21}&a_{22}-\lambda&\cdots&a_{2n}\\ \vdots&\vdots&\ddots&\vdots\\ a_{n1}&a_{n2}&\cdots&a_{nn}-\lambda\\ \end{matrix}\right|=0$$

上式是以$\lambda$为未知数的一元$n$次方程，称为矩阵$A$的特征方程
其左端$|A-\lambda E|$是$\lambda$的$n$次多项式，记作$f(\lambda)$，称为矩阵$A$的特征多项式
几个重要性质：

$(i)$ $\lambda_1+\lambda_2+\cdots+\lambda_n=a_{11}+a_{22}+\cdots+a_{nn}$
$(ii)$ $\lambda_1\lambda_2\cdots\lambda_n=|A|$

定理：
设$\lambda_1,\lambda_2,\cdots,\lambda_m$是方阵$A$的$m$个特征值,$\mathbf{p}_1,\mathbf{p}_2,\cdots,\mathbf{p}_m$依次是与之对应的特征向量，如果$\lambda_1,\lambda_2,\cdots,\lambda_m$各不相同，则$\mathbf{p}_1,\mathbf{p}_2,\cdots,\mathbf{p}_m$线性无关。

推论：
设$\lambda_1$和$\lambda_2$是方阵$A$的两个不同的特征值，$\xi_1,\xi_2,\cdots,\xi_s$和$\eta_1,\eta_2,\cdots,\eta_t$分别是对应于$\lambda_1$和$\lambda_2$的线性无关的特征向量，则$\xi_1,\xi_2,\cdots,\xi_s,\eta_1,\eta_2,\cdots,\eta_t$线性无关。