一、特征值和特征向量的幾何意義

特征值和特征向量確實有很明確的幾何意義，矩陣（既然討論特征向量的問題，當(dāng)然是方陣，這里不討論廣義特征向量的概念，就是一般的特征向量）乘以一個向量的結(jié)果仍是同維數(shù)的一個向量。因此，矩陣乘法對應(yīng)了一個變換，把一個向量變成同維數(shù)的另一個向量。

那么變換的效果是什么呢？這當(dāng)然與方陣的構(gòu)造有密切的關(guān)系，比如可以取適當(dāng)?shù)亩S方陣，使得這個變換的效果就是將平面上的二維變量逆時針旋轉(zhuǎn)30度。這時，我們可以思考一個問題，有沒有向量在這個變換下不改變方向呢？可以想一下，除了零向量，沒有其他向量可以在平面上旋轉(zhuǎn)30度而不改變方向的，所以這個變換對應(yīng)的矩陣（或者說這個變換自身）沒有特征向量（注意：特征向量不能是零向量）。

綜上所述，一個變換（或者說矩陣）的特征向量就是這樣一種向量，它經(jīng)過這種特定的變換后保持方向不變，只是進行長度上的伸縮而已。再想想特征向量的原始定義：

可以很容易看出，cx是方陣A對向量x進行變換后的結(jié)果，顯然cx和x的方向相同。而且x是特征向量的話，ax也是特征向量（a是標量且不為零），所以特征向量不是一個向量而是一個向量族。

另外，特征值只不過反映了特征向量在變換時的伸縮倍數(shù)而已。對一個變換而言，特征向量指明的方向才是很重要的，特征值不那么重要。雖然我們求這兩個量時先求出特征值，但特征向量才是更本質(zhì)的東西！特征向量是指經(jīng)過指定變換（與特定矩陣相乘）后不發(fā)生方向改變的那些向量，特征值是指在經(jīng)過這些變換后特征向量的伸縮的倍數(shù)。

二、特征值和特征向量的計算

使用Matlab求矩陣的特征值和特征向量：

矩陣D的對角線元素存儲的是A的所有特征值，而且是從小到大排列的。矩陣V的每一列存儲的是相應(yīng)的特征向量，因此V的最后一列存儲的就是矩陣A的最大特征值對應(yīng)的特征向量。

三、特征值和特征向量的性質(zhì)

性質(zhì)1. n階方陣A=(aij)的所有特征根為l1，l2，…, ln(包括重根)，則

性質(zhì)2. 若 l 是可逆陣A的一個特征根，x為對應(yīng)的特征向量，則 是A-1的一個特征根，x仍為對應(yīng)的特征向量。

性質(zhì)3. 若 l 是方陣A的一個特征根，x為對應(yīng)的特征向量，則lm是Am的一個特征根，x仍為對應(yīng)的特征向量。

性質(zhì)4. 設(shè) l1，l2，…, lm是方陣A的互不相同的特征值。xj是屬于li 的特征向量( i=1,2,…,m)，則 x1,x2,…,xm線性無關(guān)，即不相同特征值的特征向量線性無關(guān) 。

性質(zhì)4可推廣為：設(shè) l1，l2，…, lm為方陣A的互不相同的特征值，x11,x12,…,x1,k1是屬于l1的線性無關(guān)特征向量，……，xm1,xm2,…,xm,k1是屬于lm 的線性無關(guān)特征向量。則向量組 x11,x12,…,x1,k1,…, xm1,xm2,…,xm,k1也是線性無關(guān)的。即對于互不相同特征值，取他們各自的線性無關(guān)的特征向量，則把這些特征向量合在一起的向量組仍是線性無關(guān)的。

對于任意一個矩陣，不同特征值對應(yīng)的特征向量線性無關(guān)。

對于實對稱矩陣或埃爾米特矩陣來說，不同特征值對應(yīng)的特征向量必定正交（相互垂直）。

回復(fù)以下關(guān)鍵字獲取相關(guān)文章：

數(shù)據(jù)挖掘 | 機器學(xué)習(xí) | 數(shù)學(xué)之美 | 游戲算法 | 生活數(shù)學(xué) | 排名算法|大型網(wǎng)站技術(shù)演進 | 數(shù)學(xué)名人 | 學(xué)科概述 | 計算機科學(xué) | 搜索引擎

據(jù)說好多人都不知道長按圖片也能關(guān)注，你知道嗎？