特征值和特征向量

特征值和特征向量是矩阵的重要性质！理解它们，能帮助我们分析矩阵的特征和进行矩阵分解。

什么是特征值和特征向量？

特征值（Eigenvalue）和特征向量（Eigenvector）是方阵 $A$ 的特征，满足：

$$A\vec{v} = \lambda\vec{v}$$

其中：

• $\lambda$：特征值（标量）
• $\vec{v}$：特征向量（非零向量）

简单理解

特征值和特征向量就像"矩阵的特殊方向和缩放"：

• 特征向量是矩阵作用后方向不变的向量
• 特征值是矩阵作用后特征向量的缩放因子

特征值和特征向量的求法

特征方程

从 $A\vec{v} = \lambda\vec{v}$ 可以得到：

$$(A - \lambda I)\vec{v} = \vec{0}$$

这是一个齐次线性方程组，有非零解当且仅当：

$$\det(A - \lambda I) = 0$$

这个方程叫做特征方程（Characteristic Equation）。

步骤

1. 求特征值：解特征方程 $\det(A - \lambda I) = 0$
2. 求特征向量：对每个特征值 $\lambda$，解方程组 $(A - \lambda I)\vec{v} = \vec{0}$

例子

例子：求矩阵 $A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ 的特征值和特征向量

步骤 1：求特征值

$A - \lambda I = \begin{bmatrix} 2 - \lambda & 1 \\ 1 & 2 - \lambda \end{bmatrix}$

$\det(A - \lambda I) = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 = 0$

解得：$\lambda_1 = 1$，$\lambda_2 = 3$

步骤 2：求特征向量

对于 $\lambda_1 = 1$：

$(A - I)\vec{v} = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}\vec{v} = \vec{0}$

解得：$\vec{v}_1 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}$（或它的倍数）

对于 $\lambda_2 = 3$：

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

解得：$\vec{v}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$（或它的倍数）

特征值和特征向量的性质

性质 1：特征值的和

所有特征值的和等于矩阵的迹：

$$\lambda_1 + \lambda_2 + \cdots + \lambda_n = \text{tr}(A)$$

性质 2：特征值的积

所有特征值的积等于矩阵的行列式：

$$\lambda_1 \lambda_2 \cdots \lambda_n = \det(A)$$

性质 3：特征向量的线性无关性

不同特征值对应的特征向量线性无关。

性质 4：相似矩阵

如果 $B = P^{-1}AP$，则 $A$ 和 $B$ 有相同的特征值。

对角化

定义

如果 $n \times n$ 矩阵 $A$ 有 $n$ 个线性无关的特征向量，则 $A$ 可以对角化：

$$A = PDP^{-1}$$

其中：

• $D$：对角矩阵，对角线元素是 $A$ 的特征值
• $P$：列向量是 $A$ 的特征向量的矩阵

条件

矩阵 $A$ 可以对角化当且仅当 $A$ 有 $n$ 个线性无关的特征向量。

例子

例子：对角化矩阵 $A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$

从前面的例子，我们知道：

• 特征值：$\lambda_1 = 1$，$\lambda_2 = 3$
• 特征向量：$\vec{v}_1 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}$，$\vec{v}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$

$$P = \begin{bmatrix} 1 & 1 \\ -1 & 1 \end{bmatrix}, \quad D = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix}$$ $$P^{-1} = \frac{1}{2}\begin{bmatrix} 1 & -1 \\ 1 & 1 \end{bmatrix}$$

验证：$A = PDP^{-1}$

应用

矩阵的幂

如果 $A = PDP^{-1}$，则：

$A^k = PD^kP^{-1}$

其中 $D^k$ 是对角矩阵，对角线元素是 $D$ 的对角线元素的 $k$ 次幂。

系统分析

特征值和特征向量在系统分析中应用广泛。

数据降维

主成分分析（PCA）使用特征值和特征向量进行数据降维。

生活中的应用

物理

• ⚡ 量子力学：量子力学中的本征值和本征态
• 🔬 振动分析：分析振动系统的固有频率

工程

• ⚙️ 控制系统：分析控制系统的稳定性
• 🏗️ 结构分析：分析结构的固有频率

数据科学

• 📊 主成分分析：用特征值和特征向量进行数据降维
• 🤖 机器学习：在机器学习中使用特征值和特征向量

常见错误

错误 1：特征向量为零向量

特征向量必须是非零向量。

错误 2：特征值计算错误

要仔细计算特征方程。

错误 3：对角化条件

不是所有矩阵都可以对角化。

小练习

1. 求矩阵 $A = \begin{bmatrix} 3 & 1 \\ 0 & 2 \end{bmatrix}$ 的特征值和特征向量
2. 如果矩阵 $A$ 的特征值是 $\lambda_1 = 2$，$\lambda_2 = 3$，求 $\text{tr}(A)$ 和 $\det(A)$
3. 判断矩阵 $A = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$ 是否可以对角化
4. 应用题：用特征值和特征向量分析系统的稳定性

---

💡 小贴士：特征值和特征向量是矩阵的重要性质。记住：$A\vec{v} = \lambda\vec{v}$，特征值的和等于迹，特征值的积等于行列式。掌握特征值和特征向量，你就能分析矩阵的特征！