矩阵可以看作是向量空间上的线性映射。。。事实上,如果在一个很好的域上工作,比如实数域,矩阵会给出几何变换。
例如,$\mathbb{R}^2$中$y=x$行中的反射可以通过与矩阵相乘来模拟:
$\左(\开始{数组}[aa]\\0 1 \\1 0\结束{数组}\右)$
现在很清楚,在几何上,这里有某些对称性。例如,如果您在直线$y=x$上选择任意一点,它将被发送到自身,如果您选择直线$y=-x$上的任何一点,则它会被发送到与原点完全相反的方向上的一个点。
这些信息本质上是上述矩阵的特征值和特征向量所捕获的信息。特征向量是这两条线上的向量,特征值是应用反射后得到的向量的相应标量倍数。
$y=x$行中的内容被发送给自己,即$Av=v$,是$1$的标量倍数。
第$y=-x$行中的内容被发送到其自身的负值,即$Av=-v$,是$-1$的标量倍数。
因此,我们期望两个特征值$\pm 1$和两个“特征空间”$V_1、V{-1}$分别由特征值$1$和$-1$的所有向量组成。
这些空格正是分别位于直线$y=x$和$y=-x$上的向量。
当然,有一些方法可以只用矩阵来计算这些东西,但希望你现在能看到它们的重要性。它们在数学的许多领域都很有用。