最后更新: 2026-01-19 08:41 查看: 190 次纠错评论(0) 课件开VIP

矩阵的特征值分解PAP★★★★★

## 矩阵为什么要进行特征值分解？
想象我们小学里计算数的乘法，比如老师让我们计算 $12*25$的值。
老师会让我们优先把$12$分解为$3*4$，这样就可以充分利用$4*24=100$这个特征，简化计算。即 
$12*25=(3*4)*25=3*(4*25)=3*100=300$
可以看到，通过数分解把复杂的数的乘法转换为了简单的数的乘法。

同样的，一个矩阵作用在一个向量上，会使得向量发生旋转和缩放，这是一个复杂的线性变换。矩阵进行特征值分解的核心目的是将复杂的线性变换或矩阵运算转化为更直观、更易分析的形式，从而揭示矩阵的固有特性、简化计算或解决特定问题。
比如假设有一个矩阵$A$可以分解为
$A = P\Lambda P^{-1}$
那么，如果计算$A^3$就变成
$$
A^3=(P\Lambda P^{-1})^3=
(P\Lambda P^{-1}) * (P\Lambda P^{-1}) * (P\Lambda P^{-1})
$$

$$
P\Lambda * (P^{-1}  P) * \Lambda (P^{-1}P) * \Lambda P^{-1} 
$$

$$
=\Lambda^3 
$$

可以看到，矩阵P的3次幂直接转换为了对角形元素的3次幂，大幅度降低了运算。

当然矩阵特征值分解的作用远不止这么多。

##   特征值分解的核心思想与定义

特征值分解的目标是将一个方阵 $ A $ **分解为一组特征向量和特征值**，从而揭示其内在的几何性质和结构。

**定义**：对于一个 $ n \times n $ 的方阵 $ A $，如果它存在 $ n $ 个**线性无关的特征向量**，那么它可以被分解为以下形式：
$$
A = P \Lambda P^{-1}
$$
其中：
- $ P $ 是一个**可逆矩阵**，其**列向量**是 $ A $ 的 $ n $ 个线性无关的**特征向量**（${p}_1, {p}_2, ..., {p}_n$）。
- $ \Lambda $ (Lambda) 是一个**对角矩阵**，其**主对角线上的元素**是 $ A $ 的**特征值**（$\lambda_1, \lambda_2, ..., \lambda_n$），这些特征值的排列顺序与 $ P $ 中特征向量的排列顺序**一一对应**。

分解后的形式如下：
$$
A =
\begin{bmatrix}
| & | & & | \\
{p}_1 & {p}_2 & \cdots & {p}_n \\
| & | & & |
\end{bmatrix}
\begin{bmatrix}
\lambda_1 & 0 & \cdots & 0 \\
0 & \lambda_2 & \cdots & 0 \\
\vdots & \vdots & \ddots & \vdots \\
0 & 0 & \cdots & \lambda_n
\end{bmatrix}
\begin{bmatrix}
| & | & & | \\
{p}_1 & {p}_2 & \cdots & {p}_n \\
| & | & & |
\end{bmatrix}^{-1}
$$

---

##    直观理解：矩阵的“自然坐标系”

你可以将特征值分解理解为：**在由特征向量构成的“自然坐标系”下，矩阵 $ A $ 所代表的线性变换被简化为纯粹的缩放（Stretching/Scaling）操作。**

- **特征向量（$ P $ 的列）** 定义了变换的“主方向”。在这些方向上，变换的效果最简单。
- **特征值（$ \Lambda $ 的对角元素）** 定义了在这些“主方向”上变换的**缩放因子**。
  - $ |\lambda| > 1 $：拉伸
  - $ 0 < |\lambda| < 1 $：压缩
  - $ \lambda < 0 $：反向

**操作过程**：
1.  $ P^{-1} {x} $：将向量 $ {x} $ 从标准坐标系变换到由特征向量构成的“自然坐标系”下。
2.  $ \Lambda (P^{-1} {x}) $：在新的坐标系下，对向量进行简单的**缩放**（每个分量乘以对应的特征值）。
3.  $ P (\Lambda P^{-1} {x}) $：将缩放后的向量再变换回原始的标准坐标系。

整个过程 $ A {x} = P \Lambda P^{-1} {x} $ 等价于在原始坐标系下进行复杂的变换，但在“自然坐标系”下看，却只是一系列简单的缩放。

---

## 分解的条件与步骤

**前提条件**：一个 $ n \times n $ 矩阵 $ A $ 可以进行特征值分解的**充要条件**是：**它拥有 $ n $ 个线性无关的特征向量**。
- 满足这个条件的矩阵被称为**可对角化矩阵**（Diagonalizable Matrix）。
- **充分非必要条件**：如果 $ A $ 是**实对称矩阵**（Symmetric Matrix），那么它必然有 $ n $ 个正交的特征向量，并且可以进行特征值分解。

**分解步骤**：
1.  **求特征值（Find Eigenvalues）**：
    解特征方程 $ \det(A - \lambda I) = 0 $，得到 $ n $ 个特征值 $ \lambda_1, \lambda_2, ..., \lambda_n $。
    （$ I $ 是单位矩阵）

2.  **求特征向量（Find Eigenvectors）**：
    对每个特征值 $ \lambda_i $，求解齐次线性方程组 $ (A - \lambda_i I) \mathbf{v} = \mathbf{0} $，得到对应的特征向量 $ \mathbf{p}_i $。

3.  **构造矩阵 $ P $ 和 $ \Lambda $**：
    - 将求得的 $ n $ 个**线性无关的**特征向量 $ \mathbf{p}_1, \mathbf{p}_2, ..., \mathbf{p}_n $ 作为列向量，组成矩阵 $ P = [\mathbf{p}_1, \mathbf{p}_2, ..., \mathbf{p}_n] $。
    - 将对应的特征值按相同顺序放在对角线上，组成对角矩阵 $ \Lambda = \text{diag}(\lambda_1, \lambda_2, ..., \lambda_n) $。

4.  **验证分解**：
    检查 $ A = P \Lambda P^{-1} $ 是否成立。

---

### **例子**
设矩阵 $ A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix} $，求其特征值分解。

**Step 1: 求特征值**
解特征方程：
$$
\det(A - \lambda I) = \det \begin{bmatrix} 2-\lambda & 1 \\ 1 & 2-\lambda \end{bmatrix} = (2-\lambda)^2 - 1 = 0
$$
$$
\lambda^2 - 4\lambda + 3 = 0 \implies (\lambda - 1)(\lambda - 3) = 0
$$
特征值为：$ \lambda_1 = 1 $, $ \lambda_2 = 3 $。

**Step 2: 求特征向量**
- 对于 $ \lambda_1 = 1 $：
  $ (A - I) {v} = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix} \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} =  {0} $
  解得：$ v_1 + v_2 = 0 $，取 $  {p}_1 = \begin{bmatrix} 1 \\ -1 \end{bmatrix} $。
- 对于 $ \lambda_2 = 3 $：
  $ (A - 3I) {v} = \begin{bmatrix} -1 & 1 \\ 1 & -1 \end{bmatrix} \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} =  {0} $
  解得：$ -v_1 + v_2 = 0 $，取 $  {p}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix} $。

**Step 3: 构造 $ P $ 和 $ \Lambda $**
$$
P = \begin{bmatrix}  {p}_1 &  {p}_2 \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ -1 & 1 \end{bmatrix}, \quad
\Lambda = \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix}
$$
计算 $ P $ 的逆：
$$
P^{-1} = \frac{1}{\det(P)} \begin{bmatrix} 1 & -1 \\ 1 & 1 \end{bmatrix}^T = \frac{1}{2} \begin{bmatrix} 1 & 1 \\ -1 & 1 \end{bmatrix}
$$

这样我们就得到了矩阵$A$对应的$P,\Lambda$和$P^{-1}$

##    实对称矩阵的谱定理 
不是每个矩阵都可以进行特征值分解，但是实对称矩阵一定可以进行特征值分解。
如果 $ A $ 是一个**实对称矩阵**（$ A = A^T $），那么它的特征值分解具有更优美的性质：
1.  所有特征值都是**实数**。
2.  不同特征值对应的特征向量相互**正交**。
3.  它可以被分解为：
    $$
    A = Q \Lambda Q^T
    $$
    其中 $ Q $ 是一个**正交矩阵**（由**单位化的、相互正交的**特征向量组成，满足 $ Q^{-1} = Q^T $），$ \Lambda $ 是对角矩阵。

这种形式避免了求逆运算，计算和应用起来更加方便。**主成分分析（PCA）** 的核心就是基于实对称矩阵（协方差矩阵）的这个分解。
 
关于特征值分解的详细介绍请参考 [特征值](https://kb.kmath.cn/kbase/detail.aspx?id=1392)

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：矩阵的QR分解

下一篇：矩阵的奇异值SVD分解

本文对您是否有用？有用 (0) 无用 (0)