特征值与特征向量——分步指南

特征值和特征向量告诉你：对于一个方阵，哪些方向只会被缩放，而不会被“转向”。对于方阵 $A$，如果存在一个非零向量 $v$ 满足

$$Av = \lambda v$$

其中 $\lambda$ 是某个标量，那么 $v$ 就是特征向量，$\lambda$ 就是特征值。若你只想抓住核心思想，那就是：特征向量保持所在直线不变，而特征值告诉你沿这条直线的缩放倍数。

大多数向量在矩阵作用下都会改变方向。特征向量不会。它可能被拉长、缩短，或者当 $\lambda < 0$ 时发生反向，但它始终留在同一条直线上。

$Av = \lambda v$ 的含义

可以把矩阵看成一种变换。通常它会产生旋转、错切、拉伸，或者把不同方向混合起来。但有些方向在这种变换下不会偏离原来的直线。

这些特殊方向就是特征向量。特征值说明矩阵沿这个方向做了什么：

• 如果 $\lambda > 1$，向量被拉伸。
• 如果 $0 < \lambda < 1$，向量被压缩。
• 如果 $\lambda < 0$，向量会被缩放并反向。
• 如果 $\lambda = 0$，矩阵会把这个特征向量映到零向量。

零向量永远不算特征向量。如果允许它，那么每个矩阵都会有它，这个概念也就失去意义了。

如何求特征值和特征向量

从

$$Av = \lambda v.$$

开始。

把所有项移到一边：

$$(A - \lambda I)v = 0.$$

这是一个齐次线性方程组。要让它有非零解 $v$，矩阵 $A - \lambda I$ 必须是奇异矩阵，因此

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

解这个方程就能得到特征值。然后，对每个特征值，再解

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

就能得到对应的特征向量。

这种方法适用于方阵。如果矩阵不是方阵，那么标准形式下的特征值问题就没有定义。

例题：一个 2x2 矩阵

设

$$A = \begin{bmatrix} 2 & 1 \\ 0 & 3 \end{bmatrix}.$$

我们先求特征值，再求与之对应的特征向量。

第 1 步：计算 $\det(A - \lambda I)$

先写出

$$A - \lambda I = \begin{bmatrix} 2 - \lambda & 1 \\ 0 & 3 - \lambda \end{bmatrix}.$$

现在求它的行列式：

$$\det(A - \lambda I) = (2 - \lambda)(3 - \lambda).$$

令行列式等于零：

$$(2 - \lambda)(3 - \lambda) = 0.$$

所以特征值为

$$\lambda = 2 \quad \text{和} \quad \lambda = 3.$$

第 2 步：求 $\lambda = 2$ 时的特征向量

把 $\lambda = 2$ 代入 $(A - \lambda I)v = 0$：

$$A - 2I = \begin{bmatrix} 0 & 1 \\ 0 & 1 \end{bmatrix}.$$

设 $v = \begin{bmatrix} x \\ y \end{bmatrix}$。则

$$\begin{bmatrix} 0 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \end{bmatrix}$$

由此得到 $y = 0$。变量 $x$ 是自由变量，所以 $x$ 轴上的任意非零向量都可以。一个简单的选择是

$$\begin{bmatrix} 1 \\ 0 \end{bmatrix}$$

它的任意非零倍数也都是 $\lambda = 2$ 的特征向量。

第 3 步：求 $\lambda = 3$ 时的特征向量

现在取 $\lambda = 3$：

$$A - 3I = \begin{bmatrix} -1 & 1 \\ 0 & 0 \end{bmatrix}.$$

解

$$\begin{bmatrix} -1 & 1 \\ 0 & 0 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \end{bmatrix}.$$

这给出 $-x + y = 0$，所以 $y = x$。一个简单的选择是

$$\begin{bmatrix} 1 \\ 1 \end{bmatrix}$$

它的任意非零倍数也都是 $\lambda = 3$ 的特征向量。

第 4 步：验证一组结果

取 $\lambda = 3$ 时的 $v = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$：

$$Av = \begin{bmatrix} 2 & 1 \\ 0 & 3 \end{bmatrix} \begin{bmatrix} 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 3 \\ 3 \end{bmatrix} = 3 \begin{bmatrix} 1 \\ 1 \end{bmatrix}.$$

所以验证成立：$Av = 3v$。

直观理解：为什么这些向量很特殊

如果你把平面想象成被 $A$ 变换，大多数箭头都会倾斜到新的方向。特征向量则是少数仍然留在自己那条直线上的箭头。

这就是它们重要的原因。它们揭示了隐藏在变换内部的简单方向，而这通常比盯着矩阵元素本身更有用。

求特征值和特征向量时的常见错误

1. 忘记特征向量必须是非零向量。
2. 错误地求解 $\det(A - \lambda I) = 0$，尤其是在计算行列式这一步。
3. 求出了特征值，却没有继续求对应的特征向量。
4. 误以为每个方阵都有足够多的线性无关特征向量来构成一组基。其实有些矩阵没有。
5. 误以为每个实矩阵都有实特征值。这取决于具体矩阵。

特征值和特征向量的应用

只要一个线性过程存在优先方向或自然模态，它们就会出现。

常见例子包括微分方程、振动问题、动力系统、马尔可夫模型和主成分分析。它们在不同领域中的具体含义会变化，但模式是一样的：寻找那些使变换表现为简单缩放的方向。

试着做一道类似的题

对下面这个矩阵重复同样的过程：

$$\begin{bmatrix} 4 & 0 \\ 1 & 1 \end{bmatrix}.$$

先求特征值，再求特征向量，并通过直接相乘验证其中一组结果。如果你想再进一步，可以把你自己的版本放进求解器里，比较得到的特征对，而不只是最后的数值。