特征值与特征向量

特征值与特征向量的概念

---

一般而言，对于方阵 $A$，存在向量 $\vec{p}$ 和 系数 $\lambda$，满足 $A\vec{p}=\lambda \vec{p}$，且 $\vec{p}̸=\vec{0}$，我们把向量 $\vec{p}$ 和 系数 $\lambda$ 称为方阵 $A$ 的特征向量 和 特征值。

特征值与特征向量的几何意义

---

特征向量 $\vec{p}$ 左乘方阵 $A$ 之后，出了长度有伸缩之外，方向不发生变化。长度变化率即为特征值 $\lambda$. 特征向量可以理解为方向不变的向量。
例如：
$$A\equiv \left(\begin{array}{ll}1& -0.3\\ -0.7& 0.6\end{array}\right)$$
存在特征向量 $\vec{p}\equiv {[3,7]}^T$ 和 特征值 $\lambda \equiv 0.3$;

存在没有特征向量的矩阵嘛：复数的特征值与特征向量

---

如果只考虑实数范围，有些矩阵（发生方向改变的变换）是不存在特征向量和特征值的。例如：$A\equiv \left(\begin{array}{ll}0& 1\\ -1& 0\end{array}\right)$。矩阵 $A$ 是以 原点为中心，逆时针旋转 $90°$ ** 的变换，把向量 $\overrightarrow{[1,0]}$ 映射到 $\overrightarrow{[0,1]}$，把向量 $\overrightarrow{[0,1]}$ 映射到 $\overrightarrow{[-1,0]}$ 的位置。因此所有的向量都发生了 $90°$ 的旋转，所以特征向量（方向不变的向量）是无论如何也找不到的。
但是引入复数**，就会发现：

• 特征值 $+i$ 的特征向量为 ${\vec{p}}_{+}={(i,+1)}^T$;
• 特征值 $-i$ 的特征向量为 ${\vec{p}}_{-}={(i,-1)}^T$;

总结，即便是实矩阵，其特征值，特征向量也可能出现复数；

特征值与特征向量的性质

---

令 $\lambda ，\vec{p}$ 为方阵 $A$ 的特征矩阵和特征向量，$\alpha$ 为任意数。

• 如果 $A$ 有 $0$ 特征值，等价与 $A$ 是 奇异矩阵；
• $1.7\vec{p},0.9\vec{p}$等也是 $A$ 的特征向量；一般而言，对于 $\alpha ̸=0$，$\alpha p$ 也是 $A$ 的特征向量；（它们对应的特征值都是 $\lambda$）；
• 若对于特征值 $\lambda$，另有向量 $q$ 也是特征向量，那么 $p+q$ 也是 $A$ 的特征向量；（它们对应的特征值都 $\lambda$）。这里不包括 $p+q=o$ 的情况；
• $p$ 也是 $1.7A、-0.9A$等的特征向量（对应的特征值分别为 $1.7\lambda 、-0.9\lambda$）。一般而言，$p$ 也是 $\alpha A$ 的特征向量（对应特征值为 $\alpha \lambda$）;
• $p$ 也是 $A+1.7I,A-0.9I$等的特征向量（对应的特征值分别为 $1.7\lambda ，-0.9\lambda$）。一般而言，$p$ 也是 $A+\alpha I$ 的特征向量（对应的特征值为 $\lambda +\alpha$）；
• $p$ 同样是 $A^2，A^3$ 等的特征向量（对应的特征值为 ${\lambda }^2，{\lambda }^3$）。一般而言，对 $k=1,2,3,...$，$p$ 也是 $A^k$ 的特征向量（对应的特征值为 ${\lambda }^k$）;
• $p$ 也是 $A^{-1}$ 的特征向量（当 $A^{-1}$存在时），对应的特征值为 $1/\lambda$；
• 对角矩阵 $diag5,3,8$的特征值为 $5,3,8$，对应的特征向量为 $(1,0,0{)}^T、(0,1,0{)}^T,(0,0,1{)}^T$。一般而言，对角矩阵 $diag(a_1,a_2,...,a_n)$ 的特征值为 $a_1,a_2,...,a_n$，对应的特征向量为：$e_1,e_2,...,e_n$；
• 对于分块矩阵，例如：$D=\left(\begin{array}{lll}A& O& O\\ O& B& O\\ O& O& C\end{array}\right)$，若 $p$ 是 $A$ 的特征向量（特征值为 $\lambda$），$q$ 是 $B$ 的特征向量（特征值为 $u$），$r$ 是 $C$ 的特征向量（特征值为 $v$），则 $D$ 的特征向量分别为：
  $$\left(\begin{array}{l}p\\ o\\ o\end{array}\right),\left(\begin{array}{l}o\\ q\\ o\end{array}\right),\left(\begin{array}{l}o\\ o\\ r\end{array}\right)$$
  其对应的特征值分别为：$\lambda 、u,v$。对于分块矩阵，只需依次考虑各个分块的特征值和特征向量即可；
• 对于上三角矩阵、下三角矩阵，特征值为对角元素；例如，
  $$A=\left(\begin{array}{lll}5& \ast & \ast \\ 0& 3& \ast \\ 0& 0& 8\end{array}\right)$$
  其特征值为 $5,3,8$;
• 对于大小和 $A$ 相同的可逆矩阵 $S$，$S^{-1}p$ 是 $S^{-1}AS$ 的特征向量（对应的特征值为 $\lambda$）；因此 $A$ 和 $S^{-1}AS$ 具有相同的特征值–相似变换下的特征值不变；
• 行列式等于特征值的乘积。也就是说 $nxn$ 的矩阵 $A$ 的特征值为：${\lambda }_1,{\lambda }_2,...,{\lambda }_n$时，有 $detA={\lambda }_1{\lambda }_2...{\lambda }_n$。理由如下：
  $$\det \left(P^{-1}AP\right)=\det \left(P^{-1}\right)\det A\det P=\frac{1}{\det P}\det A\det P=\det A$$
  另一方面，有：
  $$\det \left(P^{-1}AP\right)=\det \Lambda ={\lambda }_1\cdots {\lambda }_n$$
  从几何的角度来讲，如果可以巧妙的选取基向量，$A$ 对应的映射就可以表示为单纯的沿着坐标轴进行伸缩变换。由于各轴的伸缩比率正是特征值 ${\lambda }_1，{\lambda }_2，...，{\lambda }_n$。行列式为空间扩大率。
• 不相等的特征值对应的特征向量线性无关；