矩阵理论——特征值和特征向量
上一节讨论了矩阵的本质是一个线性变换,我们现在讨论一个线性变换 T T T,它对应的矩阵是 A A A。对空间的一点 x x x做线性变换,变换前坐标为 ( x 1 , x 2 , . . . , x n ) (x_1,x_2,...,x_n) (x1,x2,...,xn)变换后坐标为 A ( x 1 , x 2 , . . . , x n ) A(x_1,x_2,...,x_n) A(x1,x2,...,xn)
如果线性变换后向量与原向量共线,则称该向量为特征向量。也就是说对一个线性变换,有几个向量在被这个线性变换作用时方向能够保持不变。
例:
A
=
(
3
−
2
1
0
)
,
u
=
(
−
1
,
1
)
T
,
v
=
(
2
,
1
)
T
A = \begin{pmatrix} 3 & -2 \\ 1 & 0 \\ \end{pmatrix},u = (-1,1)^T,v = (2,1)^T
A=(31−20),u=(−1,1)T,v=(2,1)T
A u = ( − 5 , − 1 ) T , A v = ( 4 , 2 ) T Au = (-5,-1)^T,Av = (4,2)^T Au=(−5,−1)T,Av=(4,2)T
这里 v v v线性变换后与原来共线,因此它是一个矩阵的特征向量
线性变换的特征值和特征向量
线性变换的特征值和矩阵特征值相同,线性变换的特征向量为 ( ξ 1 , . . . , ξ n ) α (\xi_1,...,\xi_n)\alpha (ξ1,...,ξn)α, ( ξ 1 , . . . , ξ n ) (\xi_1,...,\xi_n) (ξ1,...,ξn)是矩阵对应线性变换的基, α \alpha α是矩阵的特征向量
特征值的几何重数与代数重数
几何重数的概念来源于特征值对应的特征向量构成的空间的维度,因此
λ
\lambda
λ几何重数和线性无关的特征向量个数有关,即
(
λ
I
−
A
)
X
=
0
(\lambda I-A)X=0
(λI−A)X=0解空间的维度。
代数重数则来源于特征多项式,由于特征多项式为n阶,故代数重数为n。