线性代数笔记22——特征值和特征向量
线性代数笔记22——特征值和特征向量
特征向量
函数通常作用在数字上，比如函数f作用在x上，结果得到了f(x)。在线性代数中，我们将x扩展到多维，对于Ax来说，矩阵A的作用就像一个函数，输入一个向量x，通过A的作用，得到向量Ax。对多数向量x而言，经过Ax的转换后将得到不同方向的向量，但总有一些特殊的向量，它的方向和Ax方向相同，即Ax平行于x，这些特殊的向量就是特征向量。
平行的向量用方程来表示比较简单：
其中A是方阵，x≠0。λ是一个系数，被称为特征系数或特征值；x和λx平行，方程的解x就是A的特征向量。
这里需要对“方向相同”做出一些特殊的解释，它也包括正好相反的方向和无方向，所以λ的值可以取0或负数。
求解特征向量
现在的问题是，给定矩阵A，如果求解A的特征向量？这里没有Ax = b这样的方程，只有Ax=λx，其中λ和x都是未知数，如何求解呢？在解释之前，先看看投影矩阵的特征向量。
投影矩阵的特征向量
假设有个一个平面，给定投影矩阵P，投影矩阵的特征向量有哪些？特征值又是什么？
这实际上是在回答那些向量的投影和向量本身平行，像下面这样随意投影肯定不行：
x在平面的投影是Px，二者的方向不相同，因此图中的x不是P的特征向量。
如果x正好在平面上，那么它的投影就是x本身，所以位于平面上的所有向量都是P的特征向量，此时特征值λ=1，Px=x （Ax=λx, A=P, λ=1）。此外，垂直于平面的向量在平面上的投影是零向量，即Px = 0 = 0x （Ax=λx, A=P, λ=0），这相当于特征值λ=0，所以垂直于平面的向量也是P的特征向量。
矩阵的迹
再看一个特例：
A乘以什么样的向量将得到一个同方向的向量？即A的特征值和特征向量是什么？
很容易看出：
A还有其它的特征值：
上面的答案符合两个关于特征值的性质：
- n×n矩阵有n个特征值。
- 矩阵的所有特征值之和等于该矩阵的主对角线元素之和，这个和数叫做A的迹。
特征方程
现在到了面对Ax=λx的时候，弄清楚如何求解λ和x。
解决的方法是将λx移到等式左侧：
更进一步，可以利用λx = λIx将λ向量化，变成：
复习一下零空间，对于Ax = 0来说，如果A的各列是线性无关的，意味着方程组只有一个全零解。把这句话放到新方程中，如果(A-λI) 的各列是线性无关的，意味着只有一个解，x=0。但是特征向量不能是零向量，所以需要新方程还有其它解，这意味着(A-λI) 的各列是线性相关的，即A-λI是一个奇异矩阵。由于奇异矩阵的行列式是0，因此可以得到结论：
这就没x什么事了，得到了一个关于λ的方程，该方程叫做特征方程或特征值方程。可以根据特征方程先求解出λ，当然，对于n阶方阵会求出n个λ。知道λ后就容易多了，把每个λ代入(A-λI)x=0，然后找出它的零空间。（关于零空间，可参考《线性代数笔记12——列空间和零空间》）
来看一个示例：
先求解A的特征值：
A的迹是所有特征值之和，它等于主对角线元素之和，这可以用来作为特征值求解的初步验证。接下来求解每个特征值对应的特征向量：
容易判断零空间的基是：
这也是特征值λ1对应的特征向量，实际上零空间中的所有向量都是λ1对应的特征向量。
用同样的方法求出λ2对应的特征向量：
复数特征值
值得注意的是，特征值未必是实数，比如下面的矩阵：
此时特征值是复数，λ=±i
综合示例
召唤一个矩阵A：
找出A，A2，A-1的特征值和特征向量。
先看简单的，求解A的特征值比较容易：
第一列中有两个0，所以将这个行列式以第一列展开：
三个特征值之和等于A的主对角元素之和。
接下来求解特征值：
方程的一组解就是特征向量：
接下来求出另外两个特征向量：
找出对应的零空间，先化简为行阶梯矩阵：
当x3 = 1时，将得到一组特征向量：
继续计算λ3的特征向量：
当x3 = 1时，将得到一组特征向量：
接下来计算A2的特征值，这将是个浩大的工程，我们更想让它变得容易一点，已知Ax=λx，现在将A再左乘一个A变成A2：
等式的源头是Ax=λx，假设x是已知的，它已经被求得，因此这个式子告诉我们，如果已知A的特征向量，那么它也是A2的特征向量，只不过特征值换成了λ2。
类似地，A-1x也可以做一些演变：
A-1的特征值就是1/λ，，它的特征值和A的特征值相同。
本文原文来自CSDN博客，作者：我是8位的，原文链接：http://www.cnblogs.com/bigmonkey