高等数学 / 系统课时

计算特征值与特征向量

计算特征值与特征向量

本篇用一个 2×22\times2 矩阵完整走通“特征多项式 → 特征值 → 零空间 → 特征向量 → 特征方程验证”。掌握这条链路后,你就能把特征分解中的抽象定义变成可重复执行的计算步骤。

学习目标

  • 能通过 det⁡(A−λI)=0\det(A-\lambda I)=0 求出矩阵的特征值。
  • 能对每个特征值求 ker⁡(A−λI)\ker(A-\lambda I),得到对应特征向量。
  • 能用 Av=λvAv=\lambda v 检查计算结果是否正确。

从特征方程找到特征值

设方阵 AA 存在非零向量 vv,满足

Av=λvAv=\lambda v

移项可得 (A−λI)v=0(A-\lambda I)v=0。因为要求 v≠0v\neq0,齐次方程必须有非零解,所以矩阵 A−λIA-\lambda I 必须奇异,即

det⁡(A−λI)=0\det(A-\lambda I)=0

这个行列式展开后得到的多项式称为特征多项式,它的根就是特征值。

取

A=[4123]A=\begin{bmatrix}4&1\\2&3\end{bmatrix}

则

det⁡(A−λI)=∣4−λ123−λ∣=(4−λ)(3−λ)−2=λ2−7λ+10\det(A-\lambda I)=\begin{vmatrix}4-\lambda&1\\2&3-\lambda\end{vmatrix}=(4-\lambda)(3-\lambda)-2=\lambda^2-7\lambda+10

因式分解得到 (λ−5)(λ−2)=0(\lambda-5)(\lambda-2)=0,所以两个特征值为 λ1=5\lambda_1=5、λ2=2\lambda_2=2。

从特征多项式到特征向量的计算流程

从零空间得到特征向量

对 λ1=5\lambda_1=5,

A−5I=[−112−2]A-5I=\begin{bmatrix}-1&1\\2&-2\end{bmatrix}

方程 (A−5I)v=0(A-5I)v=0 等价于 −x+y=0-x+y=0,因此 y=xy=x。它的零空间是一条直线,可写成

v=t[11],t≠0v=t\begin{bmatrix}1\\1\end{bmatrix},\quad t\neq0

所以 [11]\begin{bmatrix}1\\1\end{bmatrix} 是一个特征向量;它的任意非零倍数仍然是同一特征值对应的特征向量。

对 λ2=2\lambda_2=2,

A−2I=[2121]A-2I=\begin{bmatrix}2&1\\2&1\end{bmatrix}

由 2x+y=02x+y=0 得 y=−2xy=-2x,因此可以取

v=[1−2]v=\begin{bmatrix}1\\-2\end{bmatrix}

注意,求特征向量不是“解出唯一向量”,而是求一个零空间。真正有意义的是这个子空间的方向,零向量本身不能作为特征向量。

用特征方程验证结果

下面用一个不依赖第三方库的 Python 脚本验证刚才得到的两个特征对。脚本只做矩阵与向量乘法,并比较 AvAv 与 λv\lambda v,因此可以直接运行。

python
A = [[4, 1], [2, 3]]
eigenpairs = [
    (5, [1, 1]),
    (2, [1, -2]),
]

# 手工完成矩阵向量乘法,避免依赖第三方库。
def matvec(matrix, vector):
    return [
        sum(a * b for a, b in zip(row, vector))
        for row in matrix
    ]

# 对每个候选特征对直接检查 Av = lambda * v。
for eigenvalue, vector in eigenpairs:
    left = matvec(A, vector)
    right = [eigenvalue * x for x in vector]
    print(eigenvalue, vector, left == right)

预期输出

text
5 [1, 1] True
2 [1, -2] True

只要比较结果为 True,就说明该向量确实满足对应的特征方程。若验证失败,应优先重新检查特征多项式的展开符号,以及求零空间时的行变换。

计算时抓住两个边界

使用 det⁡(λI−A)\det(\lambda I-A) 或 det⁡(A−λI)\det(A-\lambda I) 都能得到相同的特征值;两者的多项式可能只差一个整体符号,根不会改变。更容易出错的是把 v=0v=0 当成特征向量,或在遇到重根时只写一个向量而没有继续检查零空间维数。

完整计算始终遵循同一条主线:先求特征值,再对每个特征值求对应零空间,最后用 Av=λvAv=\lambda v 验证。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

计算特征值与特征向量

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通