第二十一讲：特征值和特征向量 ​

特征值、特征向量的由来 ​

给定矩阵$A$，矩阵$A$乘以向量$x$，就像是使用矩阵$A$作用在向量$x$上，最后得到新的向量$Ax$。在这里，矩阵$A$就像是一个函数，接受一个向量$x$作为输入，给出向量$Ax$作为输出。

在这一过程中，我们对一些特殊的向量很感兴趣，他们在输入($x$)输出($Ax$)的过程中始终保持同一个方向，这是比较特殊的，因为在大多情况下，$Ax$与$x$指向不同的方向。在这种特殊的情况下，$Ax$平行于$x$，我们把满足这个条件的$x$成为特征向量（Eigen vector）。这个平行条件用方程表示就是：

• 对这个式子，我们试着计算特征值为$0$的特征向量，此时有$Ax=0$，也就是特征值为$0$的特征向量应该位于$A$的零空间中。

  也就是说，如果矩阵是奇异的，那么它将有一个特征值为$\lambda =0$。

• 我们再来看投影矩阵$P=A(A^{T}A{)}^{-1}{A}^T$的特征值和特征向量。用向量$b$乘以投影矩阵$P$得到投影向量$Pb$，在这个过程中，只有当$b$已经处于投影平面（即$A$的列空间）中时，$Pb$与$b$才是同向的，此时$b$投影前后不变（$Pb=1\cdot b$）。

  即在投影平面中的所有向量都是投影矩阵的特征向量，而他们的特征值均为$1$。

  再来观察投影平面的法向量，也就是投影一讲中的$e$向量。我们知道对于投影，因为$e\mathrm{\perp }C(A)$，所以$Pe=0e$，即特征向量$e$的特征值为$0$。

  于是，投影矩阵的特征值为$\lambda =1,0$。

• 再多讲一个例子，二阶置换矩阵$A=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$，经过这个矩阵处理的向量，其元素会互相交换。

  那么特征值为$1$的特征向量（即经过矩阵交换元素前后仍然不变）应该型为$\left[\begin{array}{c}1\\ 1\end{array}\right]$。

  特征值为$-1$的特征向量（即经过矩阵交换元素前后方向相反）应该型为$\left[\begin{array}{c}1\\ -1\end{array}\right]$。

再提前透露一个特征值的性质：对于一个$n\times n$的矩阵，将会有$n$个特征值，而这些特征值的和与该矩阵对角线元素的和相同，因此我们把矩阵对角线元素称为矩阵的迹（trace）。$$\sum_{i=1}^n \lambda_i=\sum_{i=1}^n a_{ii}$$

在上面二阶转置矩阵的例子中，如果我们求得了一个特征值$1$，那么利用迹的性质，我们就可以直接推出另一个特征值是$-1$。

求解$Ax=\lambda x$ ​

对于方程$Ax=\lambda x$，有两个未知数，我们需要利用一些技巧从这一个方程中一次解出两个未知数，先移项得$(A-\lambda I)x=0$。

观察$(A-\lambda I)x=0$，右边的矩阵相当于将$A$矩阵平移了$\lambda$个单位，而如果方程有解，则这个平移后的矩阵$(A-\lambda I)$一定是奇异矩阵。根据前面学到的行列式的性质，则有$$\det{(A-\lambda{I})}=0\tag{2}$$

这样一来，方程中就没有$x$了，这个方程也叫作特征方程（characteristic equation）。有了特征值，代回$(A-\lambda I)x=0$，继续求$(A-\lambda I)$的零空间即可。

• 现在计算一个简单的例子，$A=\left[\begin{array}{cc}3& 1\\ 1& 3\end{array}\right]$，再来说一点题外话，这是一个对称矩阵，我们将得到实特征值，前面还有置换矩阵、投影矩阵，矩阵越特殊，则我们得到的特征值与特征向量也越特殊。看置换矩阵中的特征值，两个实数$1,-1$，而且它们的特征向量是正交的。

  回到例题，计算$det(A-\lambda I)=\left|\begin{array}{cc}3-\lambda & 1\\ 1& 3-\lambda \end{array}\right|$，也就是对角矩阵平移再取行列式。原式继续化简得$(3-\lambda {)}^2-1={\lambda }^2-6\lambda +8=0,{\lambda }_1=4,{\lambda }_2=2$。可以看到一次项系数$-6$与矩阵的迹有关，常数项与矩阵的行列式有关。

  继续计算特征向量，$A-4I=\left[\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right]$，显然矩阵是奇异的（如果是非奇异说明特征值计算有误），解出矩阵的零空间$x_1=\left[\begin{array}{c}1\\ 1\end{array}\right]$；同理计算另一个特征向量，$A-2I=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$，解出矩阵的零空间$x_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$。

  回顾前面转置矩阵的例子，对矩阵$A^{\prime }=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$有${\lambda }_1=1,x_1=\left[\begin{array}{c}1\\ 1\end{array}\right],{\lambda }_2=-1,x_2=\left[\begin{array}{c}-1\\ 1\end{array}\right]$。看转置矩阵$A^{\prime }$与本例中的对称矩阵$A$有什么联系。

  易得$A=A^{\prime }+3I$，两个矩阵特征值相同，而其特征值刚好相差$3$。也就是如果给一个矩阵加上$3I$，则它的特征值会加$3$，而特征向量不变。这也很容易证明，如果$Ax=\lambda x$，则$(A+3I)x=\lambda x+3x=(\lambda +3)x$，所以$x$还是原来的$x$，而$\lambda$变为$\lambda +3$。

接下来，看一个关于特征向量认识的误区：已知$Ax=\lambda x,Bx=\alpha x$，则有$(A+B)x=(\lambda +\alpha )x$，当$B=3I$时，在上例中我们看到，确实成立，但是如果$B$为任意矩阵，则推论不成立，因为这两个式子中的特征向量$x$并不一定相同，所以两个式子的通常情况是$Ax=\lambda x,By=\alpha y$，它们也就无从相加了。

• 再来看旋转矩阵的例子，旋转${90}^{\circ }$的矩阵$Q=\left[\begin{array}{cc}\cos 90& -\sin 90\\ \sin 90& \cos 90\end{array}\right]=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$（将每个向量旋转${90}^{\circ }$，用$Q$表示因为旋转矩阵是正交矩阵中很重要的例子）。

  上面提到特征值的一个性质：特征值之和等于矩阵的迹；现在有另一个性质：特征值之积等于矩阵的行列式。$$\prod_{i=1}^n\lambda_i=\det A$$

  对于$Q$矩阵，有$\{\begin{array}{ll}{\lambda }_1+{\lambda }_2& =0\\ {\lambda }_1\cdot {\lambda }_2& =1\end{array}$，再来思考特征值与特征向量的由来，哪些向量旋转${90}^{\circ }$后与自己平行，于是遇到了麻烦，并没有这种向量，也没有这样的特征值来满足前面的方程组。

  我们来按部就班的计算，$det(Q-\lambda I)=\left|\begin{array}{cc}\lambda & -1\\ 1& \lambda \end{array}\right|={\lambda }^2+1=0$，于是特征值为${\lambda }_1=i,{\lambda }_2=-i$，我们看到这两个值满足迹与行列式的方程组，即使矩阵全是实数，其特征值也可能不是实数。本例中即出现了一对共轭负数，我们可以说，如果矩阵越接近对称，那么特征值就是实数。如果矩阵越不对称，就像本例，$Q^T=-Q$，这是一个反对称的矩阵，于是我得到了纯虚的特征值，这是极端情况，通常我们见到的矩阵是介于对称与反对称之间的。

  于是我们看到，对于好的矩阵（置换矩阵）有实特征值及正交的特征向量，对于不好的矩阵（${90}^{\circ }$旋转矩阵）有纯虚的特征值。

• 再来看一个更糟的情况，$A=\left[\begin{array}{cc}3& 1\\ 0& 3\end{array}\right]$，这是一个三角矩阵，我们可以直接得出其特征值，即对角线元素。来看如何得到这一结论的：$det(A-\lambda I)=\left|\begin{array}{cc}3-\lambda & 1\\ 0& 3-\lambda \end{array}\right|=(3-\lambda {)}^2=0$，于是${\lambda }_1=3,{\lambda }_2=3$。而我们说这是一个糟糕的状况，在于它的特征向量。

  带入特征值计算特征向量，带入${\lambda }_1=3$得$(A-\lambda I)x=\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$，算出一个特征值$x_1=\left[\begin{array}{c}1\\ 0\end{array}\right]$，当我们带入第二个特征值${\lambda }_1=3$时，我们无法得到另一个与$x_1$线性无关的特征向量了。

  而本例中的矩阵$A$是一个退化矩阵（degenerate matrix），重复的特征值在特殊情况下可能导致特征向量的短缺。

这一讲我们看到了足够多的“不好”的矩阵，下一讲会介绍一般情况下的特征值与特征向量。