特征值和特征向量的计算和理解

这些知识是我大一学过的，但是现在有点点不熟练，写篇博文加深一下印象

特征值和特征向量的计算

设$A$是$n$阶方阵如果存在常数$\lambda$以及非零$n$向量$x$，使得$$Ax=\lambda x$$那么称$\lambda$是矩阵$A$的特征值，$x$是$A$属于特征值$\lambda$的特征向量 给定$n$阶矩阵$A$，行列式
$$|\lambda E-A|=\left|\begin{array}{cccc}\lambda -a_{11}& -a_{12}& ...& -a_{1n}\\ -a_{21}& \lambda -a_{22}& ...& -a_{2n}\\ ...& ...& ...& ...\\ -a_{n1}& -a_{n2}& ...& \lambda -a_{nn}\end{array}\right|$$ 结果是关于$\lambda$的一个多项式，成为矩阵$A$的特征多项式，该特征多项式构成的方程$|\lambda E-A|=0$称为矩阵$A$的特征方程

定理：$n$阶矩阵$A$的$n$个特征值就是其特征方程$|\lambda E-A|=0$的$n$个解${\lambda }_1,{\lambda }_2,...,{\lambda }_n$，而$A$的属于特征值${\lambda }_1$的特征向量就是其次线性方程$({\lambda }_{1}E-A)x=0$的非零解

我用iPad写的一个例子：

特征值和特征向量的理解

如果把矩阵的行解释为坐标系的基向量，矩阵与向量相乘（或向量与矩阵相乘）相当于执行一次坐标转换，Ax=y可表述为x经矩阵A变换后变为y。因此，追溯矩阵的由来，与向量的关系，我们会觉得矩阵并不神秘，它只是用一种紧凑的方式来表达坐标转换所需的数学运算。

矩阵A的特征值和特征向量分别为$\lambda$和x，$Ax$可理解为向量x在几何空间中经过矩阵A的变换后得到向量。由此可知，向量x经过矩阵A变换后，方向并无改变（反方向不算方向改变），只是伸缩了$\lambda$倍。
在上面的例子中$A{x}_1={\lambda }_1{x}_1⟹\left[\begin{array}{cc}1& -2\\ 1& 4\end{array}\right]\left[\begin{array}{c}2\\ -1\end{array}\right]=2\left[\begin{array}{c}2\\ 1\end{array}\right]$表示向量$x_1$经过矩阵A，得到${\lambda }_1{x}_1$，向量变换不改变方向，只是将$x_1$在原方向上扩充了2倍。特征值${\lambda }_2{x}_2$也是同样道理，经过矩阵A变换后特征向量$x_2$在原方向上扩充了3倍。

因此，将特征向量看成基向量，矩阵就是这些基向量向对应的特征值伸展所需的数学运算。给定一个矩阵，就可以找出对应的基（特征向量），及透过向量变换（矩阵），这些基的伸展（特征值）。

参考文献