Question

如何理解矩阵特征值

Answer 1

设A是n阶方阵，如果数λ和n维非零列向量x使关系式Ax=λx成立，那么这样的数λ称为矩阵A特征值，非零向量x称为A的对应于特征值λ的特征向量。

式Ax=λx也可写成( A-λE)X=0，这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| A-λE|=0。

矩阵特征值的性质：

若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。

若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。

Answer 2

特征值s0几重，就是值方程det(A-sE)=0中(s-s0)的次数

例如：det(A-sE)=(s-0)^2 (s-1)^3 就是说特征值0是2重，1是3重

（1）写出行列式|λE-A|；

（2）|λE-A|求＝0的全部根，它们就是A的全部特征值，其中E为单位矩阵；

（3）对于矩阵A的每一个特征值λ，求出齐次线性方程组(λE-A)X=0的一个基础解系，则可以得到属于特征值λ的特征向量。

广义特征值

如将特征值的取值扩展到复数领域，则一个广义特征值有如下形式：Aν=λBν

其中A和B为矩阵。其广义特征值（第二种意义）λ 可以通过求解方程(A-λB)ν=0，得到det(A-λB)=0（其中det即行列式）构成形如A-λB的矩阵的集合。其中特征值中存在的复数项，称为一个“丛(pencil)”。

Answer 3

如何理解矩阵，特征值和特征向量？
答：线性空间中，当你选定一组基之后，不仅可以用一个向量来描述空间中的任何一个对象，而且可以用矩阵来描述该空间中的任何一个运动（变换），从而得出矩阵是线性空间里的变换的描述。而使某个对象发生对应运动（变换）的方法，就是用代表那个运动（变换）的矩阵，乘以代表那个对象的向量。转换为数学语言： 是矩阵， 是向量， 相当于将 作线性变换从而得到 ，从而使得矩阵 （由n个向量组成）在对象或者说向量 上的变换就由简单的实数 来刻画，由此称 为矩阵A的特征值，而 称为 对应的特征向量。
总结来说，特征值和特征向量的出现实际上将复杂的矩阵由实数和低维的向量来形象的描述（代表），实现了降维的目的。在几何空间上还可以这样理解：矩阵A是向量的集合，而 则是向量的方向， 可以理解为矩阵A在 方向上作投影，而矩阵又是线性空间变换的描述，所以变换后方向保持不变，仅是各个方向投影后有个缩放比例 。

Answer 4

设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是矩阵A的一个特征值或本征值。

式Ax=λx也可写成( A-λE)X=0。这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| A-λE|=0。

扩展资料

矩阵特征值

性质1：若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。

性质2：若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。

性质3：设λ1，λ2，…,λm是方阵A的互不相同的特征值。xj是属于λi的特征向量( i=1,2,…,m)，则x1,x2,…,xm线性无关，即不相同特征值的特征向量线性无关。

Answer 5

定义 设A是n阶方阵，如果数λ和n维非零列向量x使关系式
AX=λX (1)
成立，那么这样的数λ称为矩阵A特征值，非零向量x称为A的对应于特征值λ的特征向量．（1）式也可写成，
( A-λE)X=0 (2)
这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式
| A-λE|=0 , (3)