跳到主要内容

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 AA 的特征，满足：

Av⃗=λv⃗A\vec{v} = \lambda\vec{v}

其中：

  • λ\lambda：特征值（标量）
  • v⃗\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 Av⃗=λv⃗A\vec{v} = \lambda\vec{v} 可以得到：

(A−λI)v⃗=0⃗(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−λI)=0\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−λI)=0\det(A - \lambda I) = 0
  2. 求特征向量：对每个特征值 λ\lambda，解方程组 (A−λI)v⃗=0⃗(A - \lambda I)\vec{v} = \vec{0}

例子​

例子：求矩阵 A=[2112]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−λI=[2−λ112−λ]A - \lambda I = \begin{bmatrix} 2 - \lambda & 1 \\ 1 & 2 - \lambda \end{bmatrix}

det⁡(A−λI)=(2−λ)2−1=λ2−4λ+3=0\det(A - \lambda I) = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 = 0

解得：λ1=1\lambda_1 = 1，λ2=3\lambda_2 = 3

步骤 2：求特征向量

对于 λ1=1\lambda_1 = 1：

(A−I)v⃗=[1111]v⃗=0⃗(A - I)\vec{v} = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}\vec{v} = \vec{0}

解得：v⃗1=[1−1]\vec{v}_1 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}（或它的倍数）

对于 λ2=3\lambda_2 = 3：

(A−3I)v⃗=[−111−1]v⃗=0⃗(A - 3I)\vec{v} = \begin{bmatrix} -1 & 1 \\ 1 & -1 \end{bmatrix}\vec{v} = \vec{0}

解得：v⃗2=[11]\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：

λ1+λ2+⋯+λn=tr(A)\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：

λ1λ2⋯λn=det⁡(A)\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−1APB = P^{-1}AP，则 AA 和 BB 有相同的特征值。

对角化​

定义​

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

A=PDP−1A = PDP^{-1}

其中：

  • DD：对角矩阵，对角线元素是 AA 的特征值
  • PP：列向量是 AA 的特征向量的矩阵

条件​

矩阵 AA 可以对角化当且仅当 AA 有 nn 个线性无关的特征向量。

例子​

例子：对角化矩阵 A=[2112]A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}

从前面的例子，我们知道：

  • 特征值：λ1=1\lambda_1 = 1，λ2=3\lambda_2 = 3
  • 特征向量：v⃗1=[1−1]\vec{v}_1 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}，v⃗2=[11]\vec{v}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}
P=[11−11],D=[1003]P = \begin{bmatrix} 1 & 1 \\ -1 & 1 \end{bmatrix}, \quad D = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix} P−1=12[1−111]P^{-1} = \frac{1}{2}\begin{bmatrix} 1 & -1 \\ 1 & 1 \end{bmatrix}

验证：A=PDP−1A = PDP^{-1}

应用​

矩阵的幂​

如果 A=PDP−1A = PDP^{-1}，则：

Ak=PDkP−1A^k = PD^kP^{-1}

其中 DkD^k 是对角矩阵，对角线元素是 DD 的对角线元素的 kk 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=[3102]A = \begin{bmatrix} 3 & 1 \\ 0 & 2 \end{bmatrix} 的特征值和特征向量
  2. 如果矩阵 AA 的特征值是 λ1=2\lambda_1 = 2，λ2=3\lambda_2 = 3，求 tr(A)\text{tr}(A) 和 det⁡(A)\det(A)
  3. 判断矩阵 A=[1101]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：Av⃗=λv⃗A\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！