📘 矩阵的特征值与特征向量

一、基本概念

在线性代数中，矩阵的特征值与特征向量是描述矩阵本质性质的重要工具。

对于一个 n \times n 的方阵 A，如果存在一个 非零向量 x 和一个 标量 \lambda，使得：

A x = \lambda x

则称：

• \lambda 为矩阵 A 的 特征值（Eigenvalue）；
• x 为矩阵 A 对应的 特征向量（Eigenvector）。

二、特征方程的推导

由定义式：

A x = \lambda x

可改写为：

(A - \lambda I)x = 0

其中 I 为单位矩阵。

若要有非零解 x，该线性方程组必须为齐次且有非零解，因此行列式应为零：

|A - \lambda I| = 0

该方程称为 特征方程，其根即为矩阵的特征值。

三、求解步骤

1️⃣ 写出特征方程
计算行列式 |A - \lambda I| = 0；

2️⃣ 求出特征值 \lambda_1, \lambda_2, \dots, \lambda_n；

3️⃣ 对每个特征值 \lambda_i，代入方程

(A - \lambda_i I)x = 0

解出对应的特征向量 x_i。

四、例题说明

例：

设矩阵：

A = 
\begin{bmatrix}
2 & 1 \\
1 & 2
\end{bmatrix}

求其特征值与特征向量。

1️⃣ 特征方程

|A - \lambda I| = 
\begin{vmatrix}
2 - \lambda & 1 \\
1 & 2 - \lambda
\end{vmatrix}
= (2 - \lambda)^2 - 1 = 0

化简得：

\lambda^2 - 4\lambda + 3 = 0

解得：

\lambda_1 = 3, \quad \lambda_2 = 1

2️⃣ 求特征向量

• 对 \lambda_1 = 3：

  (A - 3I)x = 
  \begin{bmatrix}
  -1 & 1 \\
  1 & -1
  \end{bmatrix}
  x = 0

  由此得 x_1 = [1, 1]^T。

• 对 \lambda_2 = 1：

  (A - I)x = 
  \begin{bmatrix}
  1 & 1 \\
  1 & 1
  \end{bmatrix}
  x = 0

  由此得 x_2 = [1, -1]^T。

五、几何意义

• 特征向量表示矩阵变换中“方向不变”的向量；
• 特征值表示该方向上向量的“伸缩倍数”。

例如，上述例子中：

• x_1=[1,1]^T 对应方向被放大 3 倍；
• x_2=[1,-1]^T 对应方向被放大 1 倍。

六、常见性质

1️⃣ 不同特征值对应的特征向量线性无关；
2️⃣ 特征值之和等于矩阵的迹（主对角线元素之和）；
3️⃣ 特征值之积等于矩阵的行列式；
4️⃣ 若 A 可对角化，则存在可逆矩阵 P 使：

P^{-1} A P = \Lambda

其中 \Lambda 为对角矩阵，主对角线即为 A 的特征值。

七、拓展理解：对称矩阵的特征性质

若 A 为 实对称矩阵，则：

1️⃣ 所有特征值均为实数；
2️⃣ 不同特征值对应的特征向量彼此正交；
3️⃣ 可正交对角化：

A = Q \Lambda Q^T

其中 Q 为正交矩阵（Q^{-1} = Q^T）。

八、小结

📎 总结一句话：

矩阵的特征值揭示了线性变换的“伸缩强度”，而特征向量揭示了“保持方向”的基准。