矩阵理论——特征值和特征向量

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$T$，它对应的矩阵是$A$。对空间的一点$x$做线性变换，变换前坐标为$(x_1,x_2,...,x_n)$变换后坐标为$A(x_1,x_2,...,x_n)$

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：
$A=\left(\begin{array}{cc}3& -2\\ 1& 0\end{array}\right),u=(-1,1{)}^T,v=(2,1{)}^T$

$Au=(-5,-1{)}^T,Av=(4,2{)}^T$

这里$v$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$({\xi }_1,...,{\xi }_n)\alpha$，$({\xi }_1,...,{\xi }_n)$是矩阵对应线性变换的基，$\alpha$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$\lambda$几何重数和线性无关的特征向量个数有关，即$(\lambda I-A)X=0$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。