【特征值求特征向量】在線性代數中，特征值與特征向量是矩陣分析中的重要概念，廣泛應用于物理、工程、計算機科學等多個領域。特征值和特征向量揭示了矩陣在特定方向上的變換特性，對于理解矩陣的結構和性質具有重要意義。
一、特征值與特征向量的基本概念
設 $ A $ 是一個 $ n \times n $ 的方陣，若存在一個非零向量 $ \mathbf{v} $ 和一個標量 $ \lambda $，使得：
$$
A\mathbf{v} = \lambda \mathbf{v}
$$
則稱 $ \lambda $ 為矩陣 $ A $ 的特征值，而 $ \mathbf{v} $ 稱為對應于 $ \lambda $ 的特征向量。
二、求特征值的方法
1. 特征方程：
根據定義，$ A\mathbf{v} = \lambda \mathbf{v} $ 可改寫為：
$$
(A - \lambda I)\mathbf{v} = 0
$$
該方程有非零解的充要條件是矩陣 $ A - \lambda I $ 的行列式為零，即：
$$
\det(A - \lambda I) = 0
$$
這個方程稱為特征方程，其根即為矩陣的特征值。
2. 計算步驟：
- 構造矩陣 $ A - \lambda I $；
- 計算其行列式，得到關于 $ \lambda $ 的多項式；
- 解這個多項式方程，得到所有特征值。
三、求特征向量的方法
1. 代入特征值：
對于每一個特征值 $ \lambda $，將它代入 $ A - \lambda I $，得到一個齊次線性方程組：
$$
(A - \lambda I)\mathbf{v} = 0
$$
2. 求解方程組：
- 通過高斯消元法或矩陣的秩來確定解空間的基；
- 非零解即為對應的特征向量。
3. 注意：
每個特征值可能對應多個特征向量（構成一個向量空間），但特征向量不能為零向量。
四、總結與對比
| 步驟 | 內容 | 說明 |
| 1 | 構造特征方程 | $ \det(A - \lambda I) = 0 $ |
| 2 | 求解特征方程 | 得到特征值 $ \lambda $ |
| 3 | 代入特征值 | 構造 $ A - \lambda I $ 矩陣 |
| 4 | 解齊次方程 | $(A - \lambda I)\mathbf{v} = 0$ |
| 5 | 得到特征向量 | 非零解即為特征向量 |
五、示例說明
假設矩陣 $ A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix} $
1. 特征方程為：
$$
\det\left( \begin{bmatrix} 2 - \lambda & 1 \\ 1 & 2 - \lambda \end{bmatrix} \right) = (2 - \lambda)^2 - 1 = 0
$$
解得：$ \lambda_1 = 3, \lambda_2 = 1 $
2. 對于 $ \lambda = 3 $，構造矩陣：
$$
A - 3I = \begin{bmatrix} -1 & 1 \\ 1 & -1 \end{bmatrix}
$$
方程組為：
$$
\begin{cases}
-x + y = 0 \\
x - y = 0
\end{cases}
$$
解得：$ y = x $，故特征向量為 $ \mathbf{v} = k \begin{bmatrix} 1 \\ 1 \end{bmatrix} $，其中 $ k \neq 0 $
3. 對于 $ \lambda = 1 $，構造矩陣：
$$
A - I = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}
$$
方程組為：
$$
\begin{cases}
x + y = 0 \\
x + y = 0
\end{cases}
$$
解得：$ y = -x $，故特征向量為 $ \mathbf{v} = k \begin{bmatrix} 1 \\ -1 \end{bmatrix} $，其中 $ k \neq 0 $
六、小結
特征值和特征向量是矩陣的重要屬性，它們幫助我們理解矩陣在不同方向上的伸縮比例和方向變化。通過上述步驟，可以系統地求解矩陣的特征值和特征向量，從而深入分析矩陣的數學性質和實際應用。