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 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 求出矩阵的特征值。
- 能对每个特征值求 ,得到对应特征向量。
- 能用 检查计算结果是否正确。
从特征方程找到特征值
设方阵 存在非零向量 ,满足
移项可得 。因为要求 ,齐次方程必须有非零解,所以矩阵 必须奇异,即
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
则
因式分解得到 ,所以两个特征值为 、。

从零空间得到特征向量
对 ,
方程 等价于 ,因此 。它的零空间是一条直线,可写成
所以 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 ,
由 得 ,因此可以取
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 与 ,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 或 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 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 验证。
按自己的节奏,确认真正理解。