对角化矩阵 Diagonalizing a matrix
假设A有n个线性无关的特征向量
,这些特征向量按列组成矩阵S,S称为
特征向量矩阵。来看一下A乘以S会得到什么:
最终得到了S和一个以特征值为对角线的对角矩阵的乘积,这个对角矩阵就是特征值矩阵,用
表示:
没有人关心线性相关的特征向量,上式有意义的前提是S由n个线性无关的特征向量组成,这意味着S可逆,等式两侧可以同时左乘
:
就是对角化的两种方法。需要注意的是,并非所有矩阵A都存在n个线性无关的特征向量,这类矩阵不能对角化。
矩阵对角化还有另一种表达:
我们已经知道了矩阵的LU分解,A=LU;格拉姆-施密特正交化,A=QR;现在又多了一种对角化分解,
之前曾经提到过消元进行行操作和列操作最后会得到“相抵标准型”。现在我们得到的是矩阵的“相似标准形”,它还保有矩阵操作的基本性质——特征值,而相抵标准型只剩下最内核的秩信息还保留着。
矩阵的方幂
如果A存在特征值和特征向量,即Ax = λx,那么
的特征值和特征向量是什么?
这在上一章的示例中出现过,将Ax = λx的等式两侧同时左乘A就可以表示A的特征向量: