如何通俗地解释特征值与特征向量

同学们大家好,今天我们来学习特征值、特征向量。

1 印象

我们知道矩阵完成的是一个向量空间,到另一个向量空间的映射。比如某向量,经过矩阵映射后,变成了。某向量,经过矩阵映射后,变成了

在这个例子中,映射前的向量与其对应的映射后向量不在一条直线上,而映射前的向量与其对应的映射后向量在一条直线上。

也就是说,矩阵对只是起到了伸缩作用。那么这里的,就可以写成

这里的就称为矩阵的特征值,就称为此特征值对应的特征向量。

阶方阵,为非零向量,若存在数使得下式成立:

那么将数称为特征值(Eigenvalue),非零向量称为的对应于特征向量(Eigenvector)。

2 例子

比如我们有这样一张图片。

在图的中间,画一条线,下面我们我们沿着这条线,对图片进行翻转。而留言、点赞、转发的三个图标从左边变到了右边。

为了更好的显示映射过程,我们把原始图片放在左边。并在上面表示出水平方向和垂直方向上的向量。下面我们通过翻转矩阵,对图片进行翻转。

2.1 红色向量

先看红色这组向量,可以看到,翻转后,红色向量的方向保持不变,与翻转前保持在一条直线上,因此左边这个红色向量是特征向量。

又因为映射后其长度没有发生改变,因此特征值是1。也就是说,若左边红色向量为,那么右边红色向量就是。这里的1就是翻转矩阵的一个特征值,是特征值1所对应的一个特征向量。

2.2 黄色向量

看完了红色向量,下面来看看黄色向量。可以看到,翻转后,黄色向量完全转向,但与翻转前仍然保持在一条直线上。因此左边这个黄色向量仍然是特征向量。

又因为映射后其长度没有发生改变,因此特征值是-1,也就是说,若左边黄色向量为,那么右边黄边向量就是。这里的-1就是翻转矩阵的另一个特征值,是特征值-1所对应的一个特征向量。

概念理解了,下面我们来具体计算一下。

3 计算
例:求矩阵的特征值与特征向量

解:

(1)由定义写出方程:

(2)由于特征向量为非零向量,因此方程有非零解,因此:

(3)解出特征值:

解得:

(4)时求解特征向量:

(5)时求解特征向量:

4 最后的话

最后,再多说一下,因为水平的方向上的特征值为-1,竖直方向上的特征值为1,那么这个矩阵,其实就是我们前面用到的翻转矩阵。

关注马同学
马同学高等数学
微信公众号:matongxue314