最后更新: 2025-08-26 11:27 查看: 212 次反馈同步训练

特征子空间的几何意义

## 特征子空间的几何意义
由等式 $\boldsymbol{A} \boldsymbol{a}=\lambda \boldsymbol{a}$ 知道, 如果 $\boldsymbol{a}$ 是特征向量, 那么 $k \boldsymbol{a}$ 也是特征向量 (代到等式验算即可知道)。 $k \boldsymbol{a}$ 是一条直线，直线上的所有向量都是对应特征值 $\lambda$ 的特征向量，直线上的特征向量构成特征向量子空间，称之为**特征子空间**。

特征子空间不一定都是直线。如果一个特征值可以对应或求得两个线性无关的特征向量如 $\boldsymbol{a}_1 、 \boldsymbol{a}_2$, 那么这两个特征向量可以张成一个平面的特征子空间。这个特征平面里的所有向量都是特征向量，因为如果 $\boldsymbol{a}_1 、 \boldsymbol{a}_2$ 满足 $\boldsymbol{A} \boldsymbol{a}=\lambda \boldsymbol{a}$ ，那么平面上任一向量 $k_1 \boldsymbol{a}_1+k_2 \boldsymbol{a}_2$ 也满足此式。

类似地，如果一个特征值对应 $S$ 个线性无关的特征向量就是对应一个 $S$ 维的特征子空间。
下面的例子给出了矩阵特征向量的求法及特征向量子空间的几何图形。

`例`求矩阵
$$
\boldsymbol{A}=\left[\begin{array}{ccc}
4 & 6 & 0 \\
-3 & -5 & 0 \\
-3 & -6 & 1
\end{array}\right]
$$
的特征值及特征向量, 并说明其几何意义。
解 由矩阵 $\boldsymbol{A}$ 的特征方程:

$$
|A-\lambda E|=\left[\begin{array}{ccc}
4-\lambda & 6 & 0 \\
-3 & -5-\lambda & 0 \\
-3 & -6 & 1-\lambda
\end{array}\right]=(\lambda+2)(\lambda-1)^2=0
$$

得到特征值 $\lambda_1=-2, \lambda_2=\lambda_3=1$ 。
然后分别求出他的基础解系[基础解系求法见此处](https://kb.kmath.cn/kbase/detail.aspx?id=486)

①把 $\lambda_1=-2$ 代入式 $(\boldsymbol{A}-\lambda \boldsymbol{E}) \boldsymbol{x}=\mathbf{0}$ 得到齐次线性方程组:

$$
\left\{\begin{array}{l}
6 x_1+6 x_2=0 \\
3 x_1+3 x_2=0 \\
3 x_1+6 x_2-3 x_3=0
\end{array}\right.
$$

它的基础解系为 $\xi=\left(\begin{array}{c}-1 \\ 1 \\ 1\end{array}\right)$。

所以对应于 $\lambda_1=-2, \boldsymbol{A}$ 的全部特征向量为

$$
x=c \xi=c\left(\begin{array}{c}
-1 \\
1 \\
1 
\end{array}\right) \quad(c \neq 0, c \in R )
$$

如图 5-44 所示, 过向量 $\xi$ 作直线 $L$, 则以原点 $o$ 为起点, 以 $L$ 上除 $o$ 点以外的任意点为终点的向量 $c \xi$ 都是矩阵 $\boldsymbol{A}$ 的关于特征值-2 的特征向量。它们全体构成 $\boldsymbol{A}$ 的关于特征值-2的特征向量子空间。此向量空间中的任意向量 $\boldsymbol{x}$ 受矩阵 $\boldsymbol{A}$ 作用后成为向量 $-2 \boldsymbol{x}$, 它仍然位于直线 $L$上, 只是方向与 $\boldsymbol{x}$ 相反, 大小为 $\boldsymbol{x}$ 的 2 倍。

![图片](/uploads/2025-08/9e5e23.jpg)
 
 
②把 $\lambda_2=\lambda_3=1$ 代入式 $(A-\lambda E) x=0$ 得到齐次线性方程组:

$$
\left\{\begin{array}{l}
3 x_1+6 x_2=0 \\
3 x_1+6 x_2=0 \\
3 x_1+6 x_2=0
\end{array}\right.
$$

它的基础解系为 $\xi_1=\left(\begin{array}{c}-2 \\ 1 \\ 0\end{array}\right), \xi_2=\left(\begin{array}{l}0 \\ 0 \\ 1\end{array}\right)$。

所以对应于特征值 $\lambda_2=\lambda_3=1, \boldsymbol{A}$ 的全部特征向量为

$$
\boldsymbol{x}=c_1 \xi_1+c_2 \xi_2=c_1\left(\begin{array}{c}
-2 \\
1 \\
0
\end{array}\right)+c_2\left(\begin{array}{l}
0 \\
0 \\
1
\end{array}\right)
$$

( $c_1, c_2$ 为不同时等于 0 的实数)
特征子空间为一平面, 如图 5-45 所示的平面 $\Pi$ 。

![图片](/uploads/2025-08/70312c.jpg)
 
 如图 5-45 所示, 过向量 $\xi_1, \xi_2$ 作平面 $\Pi$, 则以原点 $o$ 为起点, 以 $\Pi$ 上除 $o$ 点以外的任意点为终点的向量 $c_1 \xi_1+c_2 \xi_2$ 都是矩阵 $\boldsymbol{A}$ 的关于特征值为 1 的特征向量，它们的全体构成 $\boldsymbol{A}$ 的关于 1 的特征向量子空间。此向量平面空间中的任意一个向量 $\boldsymbol{x}$ 受矩阵 $\boldsymbol{A}$ 作用后没有任何变换，或者说它仍然位于平面 $\Pi$ 上，方向、大小均不改变。

从上例我们已清楚地看到， $\boldsymbol{A}$ 的特征向量空间中位于某直线上的特征向量，受 $\boldsymbol{A}$ 作用后得到的向量有着仍然位于该直线上的几何特征。

以上举的例子都局限于三维线性空间，同样可推广到 $n$ 维线性空间。
因此，对于某一个特征值，其特征空间可以是一条直线，也可以是一个平面，亦或是更高维的空间。

## 特征值的代数及几何重数的意义

上面的例子里，在特征多项式方程 $|\boldsymbol{A}-\lambda \boldsymbol{E}|=(\lambda+2)(\lambda-1)^2=0$ 中，特征值为 -2 的求解因子式 $(\lambda+2)$ 是一次的，对应的特征子空间——直线的维数是一维的；特征值为 1 的求解因子式 $(\lambda-1)^2$ 是二次的，对应的特征子空间——平面的维数是二维的。

这里有个术语, 一个特征值的求解因式的次数被称之为**代数重数**, 特征值的特征子空间的维数被称之为**几何重数**。

所以上节矩阵例子里, 特征值-2 的代数重数和几何重数都是 1 ；特征值 1 的代数重数和几何重数都是2。

那我们能否得出代数重数和几何重数是相等的呢？这个结论对一般的矩阵成立吗？答案是不一定成立。

> 正确的结论是, 特征值的代数重数大于或等于几何重数。

因为有时候代数重数 $\geqslant 2$ 的特征值，它的特征向量子空间会亏损——子空间会重合，子空间重合不是子空间直和，所以特征子空间的维数会变小，也就是几何重数可能 $\leqslant 2$ 。

举个例子。对于三角矩阵:

$$
\boldsymbol{A}=\left[\begin{array}{ll}
a & 1 \\
0 & b
\end{array}\right]
$$
 $a$ 的特征向量子空间是 $k\binom{1}{0}$, 这是一条直线 $-x_1$ 坐标轴; $b$ 的特征向量子空间是 $k\binom{1}{b-a}$,这也是一条直线。 $a$ 和 $b$ 的代数重数和几何重数都是 1 。

然而, 当 $b$ 的值逐渐接近于 $a$ 的值, 即 $b \rightarrow a$ 时, $b$ 的特征向量子空间逐渐接近于 $a$ 的特征向量子空间, 即 $k\binom{1}{b-a} \rightarrow k\binom{1}{0}$ 。

当 $b$ 等于 $a$ 时, 特征值合二为一, 同时特征子空间也合二为一一一

免费注册看余下 50%

非VIP会员每天15篇文章，开通VIP 无限制查看

上一篇：特征值计算举例

下一篇：矩阵相似

本文对您是否有用？有用 (0) 无用 (0)