特征值（eigenvalue）特征向量（eigenvector）特征值分解（eigenvalue decomposition）

特征值与特征向量

我们知道，矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中，原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果，那么这些向量就称为这个矩阵的特征向量，伸缩的比例就是特征值。

实际上，上述的一段话既讲了矩阵变换特征值及特征向量的几何意义（图形变换）也讲了其物理含义。物理的含义就是运动的图景：特征向量在一个矩阵的作用下作伸缩运动，伸缩的幅度由特征值确定。特征值大于1，所有属于此特征值的特征向量身形暴长；特征值大于0小于1，特征向量身形猛缩；特征值小于0，特征向量缩过了界，反方向到0点那边去了。

关于特征值和特征向量，这里请注意两个亮点。这两个亮点一个是线性不变量的含义，二个是振动的谱含义。
——《线性代数的几何意义》

如果存在某个或某些向量在A作用之后，它只是伸长或者缩短，其位置仍停留在其原来张成的直线上，那么称之为A的特征向量，伸长或者缩短的倍数称为对应特征向量的特征值。公式表达为：

$A\overline{v}=\lambda \overline{v}$ 式(1)
即$\begin{vmatrix} A-\lambda I \end{vmatrix}=0$

特殊地，来看看对角矩阵

$$X=\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}-\lambda I = \begin{pmatrix} 2-\lambda & 0\\ 0 & 3-\lambda \end{pmatrix}$$
$det(X)=(2-\lambda)*(3-\lambda)$（ 特征方程，这是一个很简单的二项式）很容易看出 $\lambda _{1}=2,\lambda _{2}=3$
带入式(1)求 $\overline{v}$

(20 03)[vivj]=[2vi3vj]=2⋅[