引言
给定一个矩阵，对某个向量进行操作，使得操作结果和该向量是平行的。即
A
x
=
λ
x
Ax= \lambda x
Ax=λx 我们称
λ
\lambda
λ为特征值，x 为特征向量。当然对于特征向量，我们是规定不能为0向量的，并且特征向量之间应该线性无关
考虑一些特殊情况
- 分析，如果令 λ = 0 \lambda=0 λ=0我们有即求 A 的零空间，当然当A 是一个奇异矩阵的时候， λ = 0 \lambda=0 λ=0是一个特征值
- 当A为投影矩阵的时候，当 x 为投影平面上的向量时，有 λ = 1 \lambda=1 λ=1为其中的一个特征值，当x 垂直与投影平面是，有 λ = 0 \lambda=0 λ=0是其中的一个特征值
- 当
A
=
[
0
1
1
0
]
A = { \left[ \begin{array}{ccc} 0 & 1 \\ 1 & 0 \\ \end{array} \right ]}
A=[0110]
我们可以看出A 是一个置换矩阵，有可以轻易的看出一个特征向量 x = [ 1 1 ] x = { \left[ \begin{array}{ccc} 1 \\ 1\\ \end{array} \right ]} x=[11]，对应的特征值为1；另外一个也可以知道为 x = [ 1 − 1 ] x = { \left[ \begin{array}{ccc} 1 \\ -1\\ \end{array} \right ]} x=[1−1]，特征值为-1
特征值和特征向量
A
X
=
λ
X
AX =\lambda X
AX=λX=>
A
X
=
λ
I
X
AX =\lambda IX
AX=λIX=>
A
X
−
λ
I
X
=
0
AX -\lambda IX=0
AX−λIX=0=>
(
A
−
λ
I
)
X
(A-\lambda I) X
(A−λI)X
由于X 不能为 零向量，所以有我们要找到一个合适的
λ
\lambda
λ使得
(
A
−
λ
I
)
(A-\lambda I)
(A−λI)为一个奇异矩阵，从而求解零向量即可，从而有
=>
d
e
t
(
A
−
λ
I
)
=
0
det(A-\lambda I)= 0
det(A−λI)=0 我们展开行列式，可以知道，这个是一个n次方的方程,有 n 的
λ
\lambda
λ解
- 我们拿一个矩阵来作为例子
B = [ 3 1 1 3 ] B = { \left[ \begin{array}{ccc} 3 & 1 \\ 1 & 3 \\ \end{array} \right ]} B=[3113]
=> B = [ 3 − λ 1 1 3 − λ ] B = { \left[ \begin{array}{ccc} 3-\lambda & 1 \\ 1 & 3-\lambda \\ \end{array} \right ]} B=[3−λ113−λ]
=>
( 3 − λ ) 2 − 1 = 0 (3-\lambda)^2-1=0 (3−λ)2−1=0=> λ 2 − 6 λ + 8 = 0 \lambda^2 -6\lambda +8=0 λ2−6λ+8=0=> λ 1 = 2 , λ 2 = 4 \lambda_1=2,\lambda_2=4 λ1=2,λ2=4
我们可以观察到特征值的解之和为原矩阵对角线之和，特征值之乘积为原矩阵的行列式
B
=
[
3
1
1
3
]
B = { \left[ \begin{array}{ccc} 3 & 1 \\ 1 & 3 \\ \end{array} \right ]}
B=[3113]
和
A
=
[
0
1
1
0
]
A = { \left[ \begin{array}{ccc} 0 & 1 \\ 1 & 0 \\ \end{array} \right ]}
A=[0110]
的区别是，
B
=
A
+
3
I
B = A + 3I
B=A+3I
A
X
1
=
λ
X
1
,
对
于
I
,
有
3
I
X
1
=
3
X
1
AX_1 = \lambda X_1 ,对于I,有3IX_1 = 3X_1
AX1=λX1,对于I,有3IX1=3X1
=>
(
A
+
3
I
)
X
1
=
(
λ
+
3
)
X
1
(A+3I)X_1 = (\lambda+3)X_1
(A+3I)X1=(λ+3)X1
所以我们看出，如果对矩阵加减k 个I，矩阵的特征值会随之加减k,特征向量是不会变的～
- 特征值某些情况下没有实数解
如：
Q = [ 0 − 1 1 0 ] Q = { \left[ \begin{array}{ccc} 0 & -1 \\ 1 & 0 \\ \end{array} \right ]} Q=[01−10]
=> ∣ − λ − 1 1 − λ ∣ = λ 2 + 1 \begin{vmatrix} - \lambda& -1 \\ 1 & -\lambda \end{vmatrix} = \lambda ^ 2 + 1 ∣∣∣∣−λ1−1−λ∣∣∣∣=λ2+1
=> λ 1 = i , λ 1 = − i \lambda_1=i,\lambda_1=-i λ1=i,λ1=−i
Q 满足
Q
T
=
−
Q
Q^T = -Q
QT=−Q我们称之为反对称
如果矩阵是对称的，总是实数特征值解
如果矩阵是反对称的，特征值解为纯序数
普通矩阵介于两者之间
- 某些情况下，特征向量是缺失的
如
[ 3 1 0 3 ] { \left[ \begin{array}{ccc} 3 & 1 \\ 0 & 3 \\ \end{array} \right ]} [3013]该矩阵求解可以得到 λ 1 = λ 1 = 3 , 但 是 只 有 一 个 特 征 向 量 X = [ 1 0 ] \lambda_1=\lambda_1=3,但是只有一个特征向量 X = { \left[ \begin{array}{ccc} 1 \\ 0 \\ \end{array} \right ]} λ1=λ1=3,但是只有一个特征向量X=[10]
1251
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
