6-1 特征值引论
一句话概括
对绝大多数向量, 都会改变它的方向;但总有那么几个特殊方向, 作用后只是把向量拉长或压短。这些方向叫特征向量(eigenvector),伸缩倍数叫特征值(eigenvalue),定义式就是
本篇讲清它的几何含义、特征多项式 的来源、迹与行列式的联系、特征值的运算性质,以及"重根但特征向量不够"这一异常情形的含义,为 6-2-矩阵的对角化 铺路。
一、定义
1.1 特征值与特征向量
定义 1(特征值与特征向量) 设 为 阶方阵。若存在数 (实数或复数)与非零向量 ,使得
则称 为 的一个特征值(eigenvalue,也称本征值), 为 的属于(对应于) 的特征向量(eigenvector)。
定义里三件不能少的事
1. :若允许零向量,则对任何 都有 ,定义就废了。
2. 必须是方阵:非方阵谈不上"方向不变"。
3. 可以是复数:实矩阵的特征值也可能是复数(例如旋转矩阵),这时特征向量也是复向量。第 9 章专门处理复数情形。
术语来源:eigen 来自德语,意为"自己的、特有的"。特征值 = 这个矩阵自己的伸缩倍数。
1.2 特征方程与特征多项式
定义 2(特征方程与特征多项式) 设 为 阶方阵,称
为 的特征方程(characteristic equation),称关于 的多项式
为 的特征多项式(characteristic polynomial)。 是 的 次多项式,首项系数为 。
有的教材(尤其国内教材)用 。两者只差一个因子 :
根完全相同,只是多项式的书写不同。本库统一用 ,做题时以授课教材为准。
1.3 特征空间与重数
定义 3(特征空间,eigenspace) 对 的特征值 ,集合
称为 的属于 的特征空间。它是 的子空间(一定含零向量),其维数
称为 的几何重数(geometric multiplicity)。 中所有非零向量都是属于 的特征向量。
定义 4(代数重数,algebraic multiplicity) 把 看作特征方程 的根,其重数称为 的代数重数。
两个重数不相等,是本章最重要的"异常信号"
恒有 几何重数 代数重数(定理 5)。当某个特征值的几何重数严格小于代数重数时, 的特征向量"不够用", 就不能对角化——这正是 6-1 与 6-2-矩阵的对角化 的分界线。
二、几何直观
2.1 特征向量 = 变换下方向不变的向量
把 看成一个线性变换。对一般的 , 与 不在同一条直线上;但总存在若干特殊方向,变换后仍落在同一条直线上,只是长度被乘上了 :
- :沿该方向拉伸;
- :沿该方向压缩;
- :该方向上的向量完全不动();
- :该方向被"压扁到原点"(,即 在零空间中);
- :长度伸缩之外还要反向(转过 )。
用箭头"看"一个 例子():在单位圆上取一圈向量 ,画出它们与像 :
| 取的单位向量 | 是否共线 | 伸缩倍数 | |
|---|---|---|---|
| 共线、同向 | |||
| 共线、同向 | |||
| 不共线 | — | ||
| 不共线 | — |
也就是说:在 与 这四个方向上,箭头只是变长变短,方向不动;把单位圆映成椭圆后,这两条方向恰好是椭圆的长短轴方向。 的两个特征向量给出了这次变换的"主轴"。
2.2 几个"一眼能看出"的几何例子
| 变换 | 矩阵 | 特征值 | 特征向量(方向) |
|---|---|---|---|
| 恒等变换 | ( 重) | 所有方向(全空间) | |
| 数乘 | ( 重) | 所有方向 | |
| 沿 轴投影 | 轴; 轴 | ||
| 关于 轴反射 | 轴; 轴 | ||
| 逆时针旋转 | 无实特征向量 | ||
| 剪切 | ( 重) | 只有 轴方向 | |
| 型矩阵 | 对角 、其余 | ( 重)、 | 见 [[5-2-排列与代数余子式]] 例题 6 |
投影矩阵的几何最能说明问题: 把向量压到某条直线(或某个平面)上。在这个平面内的向量被压后完全没变();垂直于它的向量被压成零()。" 和 的特征值"就是"哪些方向留下来、哪些方向被丢掉"。这条直觉在第 7 章(SVD)与第 10 章(Markov 稳态)里都会反复出现。
2.3 特征值的几何意义:各主轴上的伸缩比例
对角线化(如果能做到)的几何图像是: 先把坐标轴换成特征向量方向,在各方向上按 缩放,再换回来。因此:
是"所有方向伸缩倍数的乘积"(这与 5-3-克莱姆法则与体积 的体积解释完全一致),而迹是"所有方向伸缩倍数之和"。这两个恒等式是检验特征值算得对不对的最快手段。
2.4 旋转矩阵:为什么实特征值会消失
旋转 的矩阵 把每一个实向量都转过 ,没有任何方向保持不变——所以它没有实特征向量。但它在复数意义下有两个特征值 与 (,对应"纯旋转、不伸缩")。
一般地,旋转 的矩阵 的特征值是
它在复平面单位圆上。特征值的模长 = 不伸缩,幅角 = 旋转角度。这正是第 9 章把复数引入线性代数的动机(见 9-1-复数与复向量)。
2.5 为什么特征值重要:三种"长期行为"
- 矩阵幂的长期行为:把初始向量按特征向量方向分解,,则
很大时,绝对值最大的特征值(主特征值)支配一切:它一项就决定了增长/衰减速度和最终方向。Markov 链收敛到稳态()、PageRank 的排序(10-2-Markov矩阵与稳态)、斐波那契数列的增长比(黄金比)都是这条公式的应用。
- 微分方程与稳定性: 的解形如 。若所有 ,解衰减到零(稳定);只要有一个 ,解就发散(不稳定)。见 6-3-微分方程组与矩阵指数。
- 对角化与矩阵函数:若能找到 个线性无关的特征向量,就能写成 ,于是
所有"矩阵函数"都变成对特征值逐个做运算。这就是对角化的全部价值(6-2-矩阵的对角化)。
三、性质与定理
3.1 特征值的判定:特征方程
定理 1(特征方程) 设 为 阶方阵,则 是 的特征值,当且仅当
证明 按定义逐句等价变形:
- " 且 " 等价于"齐次方程组 有非零解";
- "齐次方程组有非零解"等价于"系数矩阵 奇异";
- 而方阵奇异等价于它的行列式为 (5-3-克莱姆法则与体积 推论 1)。
三步串起来即得
适用条件: 必须是方阵; 允许取复数(若只讨论实特征值,就要在实数域内解方程,可能无解)。
推论 1 是 的特征值 奇异。换句话说,可逆矩阵没有零特征值。
定理 2( 阶矩阵恰有 个特征值) 设 为 阶方阵,则 在复数域内恰有 个特征值(按代数重数计算)。当 为实矩阵时:
- 实特征值成"单个"出现,复特征值成共轭对 出现(因为特征多项式是实系数多项式);
- 因此奇数阶实矩阵至少有一个实特征值。
证明 特征多项式 是 次多项式(首项 ,不恒为零)。由代数基本定理, 次复系数多项式在复数域内恰有 个根(计重数)。实系数多项式的复根共轭成对,故复特征值成对出现; 为奇数时不可能全是成对的复根,故至少有一个实根。
"有 个特征值"不等于"有 个线性无关的特征向量"
特征值计重数有 个,但对应的特征向量可能"不够 个"(见 3.4 节)。这是初学者最容易混淆的一点。
3.2 迹、行列式与特征值
定理 3(迹与行列式的特征值表达) 设 阶方阵 的特征值为 (按代数重数计,允许复数),则
更一般地,特征多项式可以写成
证明 由 的根恰为 且首项系数为 ,可写成
把右端展开:
另一方面,从行列式的定义看 的系数:Leibniz 公式中,只有"全部取对角元"的那一项 含 个 或 个 ;其他排列至少漏掉两个对角元,故 的次数不超过 。于是
其中 的次数不超过 (因为除恒等排列外的每个排列都至少漏掉两个对角元)。
而 ,所以 的 系数是 。比较系数即得 。
常数项:把 代入 得 ;代入上面的乘积形式得 。故 。
阶的显式公式(务必记住) 对 :
判别式 时出现一对共轭复特征值。
验证(用 ):、,故
检验两个恒等式: ✓, ✓。
推论 2(可逆性的特征值判据) 可逆 的所有特征值都非零;并且此时 的特征值是 。
推论 3(二阶主子式之和) 对 阶矩阵,若 的特征值为 ,则
其中 表示 的全部二阶主子式之和( 阶时共 个)。一般地,特征值的第 个初等对称多项式等于 的全部 阶主子式之和。这正是 5-2-排列与代数余子式 中" 阶特征多项式的 项系数"的来源。
3.2.1 迹与行列式的三重身份:三个视角看同一个定理
定理 3 已经用"系数比较"证明了 与 。这两个恒等式值得用三种不同视角各看一遍:代数视角(最直接)、结构视角(最完整)、不变量视角(最本质)。国内教材与考试主要用前两个。
视角一:系数比较(已证,最省事的写法)
要点只有一句:在 Leibniz 公式 中,只有恒等排列那一项 含 与 次项,其余排列至少漏掉两个对角元, 的次数不超过 。于是
左端与右端的 系数一比较即得 ;再把 代入即得 。
视角二:初等对称多项式(最完整,能解释每一个系数)
定理 3'(特征多项式的完整系数公式) 设 是 的全部特征值(计代数重数),记
(特征值的 阶初等对称多项式),则
并且对每个 ,
其中 取遍 的全部 元子集, 表示"取行指标集 与同一个指标集 的列交点上的元素"所组成的 阶主子矩阵(principal submatrix)。特别地 、。
证明(思路) 由根与系数的关系, 中 的系数是 。另一方面用 Leibniz 公式展开 :含 的项来自" 个对角元取 、 个对角元取 ",再把非对角元补进来的部分按拉普拉斯定理(5-2-排列与代数余子式 3.3 节)整理,恰好得到"全部 阶主子式之和"乘上符号 ,即定理 3' 中的公式。一句话概括:
一句话
特征多项式的每一个系数,都是一类子式之和。 这也解释了为什么特征多项式在相似变换下不变——主子式之和在相似变换下的不变性,正是 5-2-排列与代数余子式 中展开定理的推论。
这条结论的实战价值( 阶最快写法):对 阶矩阵,
其中 是三个二阶主子式之和,而这三个主子式分别是划去第 、、 行与同号列后剩下的 行列式,都是纯数字,很好算。这比"造零 + 展开"快得多,也不容易符号出错(例题 12 会用这条捷径)。
视角三:相似不变量(最本质)
定理 3''(迹的轮换性) 对任意同阶方阵 ,
证明 按定义展开双重求和并交换求和次序:
推论(迹是相似不变量) 若 ( 可逆),则
为什么这个视角最本质:如果 可对角化(更一般地,在复数域上任何方阵都酉相似于上三角矩阵,即 Schur 定理 ),那么 相似于一个上三角矩阵 ,而三角矩阵的特征值就是它的对角元,于是
两个恒等式就此变成"三角矩阵显然成立 + 相似不变"两句话。 代价是要先有 Schur 定理——这正是 9-2-Hermitian矩阵与酉矩阵 的内容,所以国内教材仍走视角一的路线。三个视角给出的结论完全一致,只是"付的代价"不同。
实务用法:一步查出算错的特征值
- ⟹ 特征值一定算错了(最常用的自检);
- ⟹ 特征值或行列式至少有一个错;
- 已知 个特征值时,最后一个可以直接除出来:,比重新解方程快得多;
- 且 ⟹ 至少有一个特征值为 ,且其余特征值之和为 (例如 );
- 两个恒等式都必须计代数重数: 的特征值要写成 (而不是"只有一个 "),否则会得到 ,误以为自己算错了。
3.3 特征值与特征向量的求法
定理 4(特征向量的求法) 设 是 的特征值,则属于 的特征向量恰为齐次方程组
的全部非零解;其解集就是特征空间 ,维数为
证明 由 即得;维数公式是秩—零化度定理(3-5-四大子空间的维数);维数至少为 是因为 奇异,故零空间含非零向量。
求法的可操作版本(详细步骤见第四章):把 代回,对 做消元,找自由变量,写出零空间的基。这与 3-2-零空间与阶梯形 中求零空间的方法完全相同——求特征向量本质上就是"求零空间"。
3.4 两个重数:为什么"特征向量可能不够"
定理 5(几何重数 代数重数) 设 是 的特征值,其几何重数为 、代数重数为 ,则 。
证明(思路) 取特征空间 的一组基 ,把它扩充为 的一组基
因为 (),所以
(记 为这个分块上三角矩阵。)由分块三角行列式(5-2-排列与代数余子式 推论 2):
右端含因子 ,即含因子 ,所以 作为根的重数至少是 ,即 。
三种典型情形(都用 阶例子):
| 矩阵 | 特征值 | 代数重数 | 几何重数 | 能否对角化 |
|---|---|---|---|---|
| (全空间) | 能(本身就是对角) | |||
| 不能(缺陷矩阵) | ||||
| 各 | 各 | 能 |
缺陷情形的详细计算():
故 ,。只有 轴一个方向的向量保持方向不变,找不到第二个线性无关的特征向量, 无法对角化(这类矩阵称为缺陷矩阵,defective matrix)。它的几何效果是"剪切": 轴方向不动,其他方向被沿 轴剪切并拉伸 倍。
但重根不一定不可对角化
的特征值是 , 是二重根,但它的特征空间维数是 ,可以对角化(见例题 2)。所以判断可对角化必须逐个数几何重数,不能只看"有没有重根"。
3.4.1 两个重数的计算手册(国内术语与高频考法)
国内教材把"特征值的重数"与"特征向量的个数"分得很清楚,两套术语的对照如下。
| 本库(Strang)的术语 | 国内教材常见说法 | 精确定义 |
|---|---|---|
| 代数重数 | 特征值 的重数(特征方程的重根数) | 因式 在 中的幂次 |
| 几何重数 | 属于 的线性无关特征向量的个数(基础解系所含向量个数) | |
| 缺陷矩阵 | 不可对角化的矩阵 | 存在 使 |
计算步骤(考场照做)
- 解特征方程得全部特征值,并把每个特征值按代数重数抄写多遍:例如 表示 、;
- 对每个不同的特征值 ,写出矩阵 ,行化简,数出主元个数 ;
- 几何重数 ;取零空间 的一组基,就是"属于 的 个线性无关特征向量";
- 逐个比较 与 :全部相等 可对角化;有一个严格小于 不可对角化。
三条恒成立的结论
- 。左边: 是特征值 奇异 零空间含非零向量;右边是定理 5。
- 单根一定不缺陷:若 ,由 得 。所以只有重根才可能出问题——这就是为什么考试里的"缺陷矩阵"必然是重根矩阵。
- 可对角化 每个 都满足 (证明见 6-2-矩阵的对角化)。注意 是恒成立的( 次多项式恰有 个根,计重数),所以"几何重数之和"与 的差距,正是"缺几个特征向量"。
为什么"缺特征向量"是本质困难,而不是小毛病
可对角化的含义是"存在一组由特征向量组成的基",也就是每个向量都能写成特征向量的线性组合。若 ,则在 这个"方向族"里少了几个独立方向, 中必有一部分向量无法用特征向量表出。此后 只能写成 Jordan 标准形(对角线上是特征值,次对角线上出现 ):
那个 正是"缺失的特征向量"留下的痕迹。相应地 里会出现因子 (多项式因子),这就是 6-2-矩阵的对角化 中" 不能总写成 "的原因,也与 6-3-微分方程组与矩阵指数 中" 出现 项"完全对应。
去掉" 是特征值"这个前提会怎样
若随手取一个不是特征值的数 ,则 可逆,——所谓"几何重数为 "。可见""不是自动成立的,它恰好在 是特征值时成立。做题时不要跳过"确认 是特征值"这一步,也不要把 误当成"这个特征值没有特征向量"。
3.5 特征值的运算性质
定理 6 设 为 阶方阵, 是 的特征值, 是对应的特征向量。
- 三角矩阵:若 是上三角、下三角或对角矩阵,则 的特征值就是它的 个对角元。
- 转置: 与 有相同的特征值(但特征向量一般不同)。
- 逆:若 可逆,则 是 的特征值,且 仍是其特征向量。
- 幂:对正整数 , 是 的特征值,特征向量仍为 。
- 平移与数乘: 是 的特征值; 是 的特征值;特征向量都不变。
- 多项式:对任意多项式 , 是 的特征值,特征向量仍为 。
- 零特征值: 奇异。
证明
(1)若 为三角矩阵,则 仍是三角矩阵,其行列式等于对角元之积:
故 的根恰为 。
(2),特征多项式相同,故特征值相同。(特征向量不同:例如 的特征向量只有 ,而它的转置 的特征向量只有 。)
(3) 可逆时 ,故 。在 两边左乘 :
(4)对 归纳:。
(5);。
(6)把 逐项作用在 上,用(4)(5)即得
(7)由推论 1。
用性质 4–6 做"反向题"
考研题常问:"已知 的特征值为 ,求 的特征值。"答案是逐个代入多项式:、、。前提是特征向量不变——而由(6),这一点自动成立。若问 的特征值,则没有这样的公式(见易错点 7)。
命题 1( 与 的非零特征值) 设 为同阶方阵,则 与 有相同的特征多项式,从而有相同的特征值。
证明(思路) 若 可逆,则
即 与 相似,由定理 7(下一小节)它们有相同的特征多项式。对一般的(可能奇异的),考虑 :除有限多个 之外 可逆,故 对无穷多个 成立;两边都是 的多项式,故恒等,取 即得结论。
3.5.1 派生矩阵的特征值一览(国内"反向题"全靠这张表)
考研与期末最喜欢考这种题:已知 的特征值,求某个由 造出来的矩阵的特征值。前提永远是同一条——特征向量不变。把定理 6 与伴随矩阵的性质合起来,得到完整的一张表:
| 派生矩阵 | 特征值 | 特征向量 | 成立条件 |
|---|---|---|---|
| 不变 | 任意 | ||
| 不变 | 任意 | ||
| ( 整数) | 不变 | 任意 | |
| 不变 | 为任意多项式 | ||
| 不变 | 可逆 | ||
| 不变 | 可逆 | ||
| () | 不变 | 可逆 | |
| (完全相同) | 通常不同 | 任意 | |
| (完全相同) | 变为 | 可逆 |
那一行是怎么来的: 可逆时 (5-3-克莱姆法则与体积 定理 3),于是
所以 的特征值是 ,特征向量仍是 。整张表里只有这一行带 因子,也正是最爱考、最爱错的一行。
的这一行为什么不能"无脑套用"
推导用到了 ,这个式子只在 可逆时成立。若 :
- 的秩只能是 或 (5-3-克莱姆法则与体积 推论 2),于是它的特征值只能是 :秩 时是 个 ,秩 时是"一个 加 个 ";
- 同时 说明 本身有零特征值,公式 变成 ,彻底失效。
所以遇到"求 的特征值",第一步必须先判断 是否可逆。
反向题的标准答法(三步)
1. 写出 的全部特征值(计重数);
2. 把每个 代进题目给的多项式/分式(、、 …);
3. 用 与 检验:派生矩阵的迹与行列式应当能由算出的新特征值还原。
例题 9 会用一整题演示这三步。注意:若题目问的是 或 (两个不同矩阵),这张表完全不适用(见易错点 7)。
3.5.2 五类特殊矩阵的特征值(结论 + 完整证明)
命题 2(幂等矩阵) 若 ,则 的特征值只能是 或 ;并且 一定可对角化,还有 (等于特征值中 的个数)。
证明 设 、。两边左乘 :
又因 ,左端也等于 。于是 ,即 。由 得 ,故 。
可对角化:对任意 ,把它拆成两项
- 第一项属于 :;
- 第二项属于 :。
所以 。又若 ,则 (前一步用了 ,后一步用了 ),故 ,和是直和:
几何重数之和等于 ,由 3.4.1 节结论 3, 可对角化。最后
(第三、四个等号用了" 的个数 = "与直和分解;最后一个用了秩—零化度定理。)
命题 3(对合矩阵) 若 ,则 的特征值只能是 ,且 可对角化、。
证明思路 与命题 2 完全平行:由 得 ;把任意 拆成
两项分别落在 与 中(直接代入验证),且两空间交为 。
(几何图像: 的变换做两次回到原处,典型的例子是反射与置换矩阵。反射矩阵 的特征值是 :镜面方向不动,法线方向反向。见练习题 5。)
命题 4(幂零矩阵) 若 ( 为某正整数),则 的特征值只能是 。
证明 设 、。反复作用 得 ;而 ,故 ,于是 ,即 。
(注意:这只是"幂零 特征值全为 "。反方向"特征值全为 幂零"也对,但要用 Cayley–Hamilton 定理 ,此时 给出 ——这条属于后续内容,考试中一般只考正方向。)
命题 5(正交矩阵) 若实矩阵 满足 ,则 的每个特征值都满足 (复特征值落在单位圆上)。
证明 取复特征值 与对应的复特征向量 ,由 两边取共轭转置(用 为实矩阵,故 ):
用右式左乘 、左式右乘 ,两边相等:
左端 ,右端 。由于 有 ,故 ,即 。
(几何图像:正交变换不改变长度,所以任何方向上的"伸缩比例"只能是 ——特征值的模为 ;至于它是 、,还是 ,取决于旋转了多少角度。这与例题 5 中旋转矩阵的特征值 完全一致。)
命题 6(秩 矩阵) 设 ,其中 均非零,则 的特征值是一个 加上 个 :
证明
(i)一个非零特征值:
所以 是特征值,对应特征向量 (若 ,这一项合并进 里即可)。(ii) 的重数:若 ,则
而方程 的解空间维数是 (一个非零线性方程),所以 的几何重数至少是 ,从而代数重数也至少是 。全部 个特征值(计重数)中已有 个 ,剩下的一个由迹确定:
(第二个等号用了迹的轮换性, 是 矩阵。)
数值例子:(),,故特征值为 ;且 ✓、 ✓。例题 11 会把特征向量也一起算出来。
3.6 相似不变性与可对角化的充分条件
定理 7(相似矩阵有相同的特征多项式) 设 可逆,(称 与 相似),则
即相似矩阵有完全相同的特征值(因此也有相同的迹与行列式)。
证明 注意 ,故 。由行列式的乘法定理(5-1-行列式的性质):
(因为 。)
相似但特征向量不同
特征值相同,特征向量却要"换坐标":若 且 ,则 。这正是 8-3-相似矩阵与基变换 的主题:同一个线性变换在不同基下的矩阵相似,特征值(谱)与基的选择无关。
定理 8(互异特征值 可对角化) 若 阶方阵 有 个互不相同的特征值 ,对应的特征向量 线性无关,从而 可逆,且
证明(思路) 只需证明特征向量线性无关。设 ,两边依次作用 得 ;两式消去第 项(第一式乘 再相减)得
对 归纳,特征值互异使系数 ,可得 ,再回代得 。故 线性无关, 可逆;又 ,两边左乘 即得。
注:这只是充分条件。 可以没有 个互异特征值却仍然可对角化(例如 、或 3.4 节表格中的第三个例子),判据是"每个特征值的几何重数 代数重数"。完整讨论见 6-2-矩阵的对角化。
四、计算方法与步骤
4.1 手算特征值与特征向量的完整流程
- 确认前提: 是 阶方阵,记下 。
- 写特征方程 :
- 阶:直接用现成公式 ;
- 三角或对角矩阵:直接读出对角元,无需计算;
- 阶及以上:对矩阵 用"造零 + 展开"(5-2-排列与代数余子式 第四章)。注意 是含参数 的矩阵,优先用不含 的行去消掉别的行,把含 的部分集中到一个小块里。
- 解方程得全部特征值(按代数重数计,允许复数;实矩阵的复根成共轭对)。
- 对每个特征值求特征向量:把 代回,解齐次方程组
对 做消元 → 确定主元列与自由变量 → 写出零空间的一组基。每个基向量就是一个特征向量(方法与 3-2-零空间与阶梯形 完全一样)。
- 检验(非常重要):
- 最快的一步: 且 (计重数)。这两个等式能立刻发现特征值算错;
- 抽查一个特征向量:把 与 代回 ;
- 用 复核特征空间的维数。
- 判断可用性:若每个特征值的几何重数都等于代数重数,则 可对角化;否则是缺陷矩阵。这一步留给 6-2-矩阵的对角化。
4.2 常见结构的捷径
| 矩阵结构 | 特征值 | 特征向量 |
|---|---|---|
| 三角 / 对角 | 就是对角元 | 需另算(对角矩阵则取标准基) |
| 秩 : | (一个)与 ( 重) | ;其余取 |
| 投影矩阵 () | (重数 )与 | 列空间方向;零空间方向 |
| 型(对角 、其余 ) | ( 重)、 | 型; |
| 反射矩阵 | 与 | 镜面内方向;法线方向 |
| 旋转 | 复向量 | |
| 分块三角 | 与 的特征值的并集 | 需分别计算 |
| 置换矩阵 | 单位根() | 与循环结构有关 |
| 已知 的特征值 | 用定理 6 直接写出 、、、 的特征值 | 特征向量不变 |
秩 矩阵的验证:,则
所以 是一个特征值(注意它是数量,等于 )。又 ,故 ,零空间里每个非零向量都是 的特征向量。
分块三角的验证:由 5-2-排列与代数余子式 推论 2,
所以特征多项式是两块之积,特征值就是两块的"并集"(计重数)。
4.3 用 numpy 求特征值
import numpy as np
A = np.array([[2.0, 1.0],
[1.0, 2.0]])
# ---- 1) 一般矩阵:eig(LAPACK geev) ----
w, V = np.linalg.eig(A)
print("特征值:", w) # [3. 1.](顺序不保证)
print("特征向量矩阵:\n", V) # 第 i 列 = 对应 w[i] 的特征向量(已单位化)
# ---- 2) 验证 A v = λ v ----
for i in range(len(w)):
v = V[:, i]
print(i, "λ =", w[i], " 残差为 0:", np.allclose(A @ v, w[i] * v))
# ---- 3) 两个恒等式:迹与行列式 ----
print("sum λ =", w.sum(), " tr A =", np.trace(A)) # 4.0 4.0
print("prod λ =", np.prod(w), " det A =", np.linalg.det(A)) # 3.0 3.0
# ---- 4) 对称矩阵:用 eigh(更稳、更快,特征值升序、特征向量正交) ----
w2, Q = np.linalg.eigh(A)
print("eigh 特征值:", w2) # [1. 3.]
print("Q^T Q = I ?", np.allclose(Q.T @ Q, np.eye(2))) # True
# ---- 5) 缺陷矩阵:二重根但只有一个特征向量 ----
B = np.array([[2.0, 1.0],
[0.0, 2.0]])
wb, Vb = np.linalg.eig(B)
print("B 的特征值:", wb) # [2. 2.]
print("rank(B - 2I) =", np.linalg.matrix_rank(B - 2 * np.eye(2))) # 1 → 特征空间维数 1
print("Vb 的秩 =", np.linalg.matrix_rank(Vb)) # 1,特征向量不够
# ---- 6) 实矩阵的复特征值成共轭对 ----
R = np.array([[0.0, -1.0],
[1.0, 0.0]])
print("旋转 90° 的特征值:", np.linalg.eigvals(R)) # [0.+1.j 0.-1.j]
# ---- 7) 斐波那契矩阵与黄金比 ----
F = np.array([[1.0, 1.0],
[1.0, 0.0]])
wf = np.linalg.eigvals(F)
print("Fibonacci 特征值:", wf) # [1.618 -0.618]
print("黄金比 (1+√5)/2 =", (1 + np.sqrt(5)) / 2)
numpy 文档里必须知道的四件事
1. 特征值不排序,且每个特征值按其重数重复出现;
2. 返回值中的
eigenvectors[:, i]是eigenvalues[i]对应的右特征向量,且已单位化;3. 实矩阵的特征值"要么是实的,要么成共轭对出现";结果数组在虚部全为零时会被转为实数类型;
4. 文档明确指出:
eigenvectors可能不满秩("may not be of maximum rank")——这正是缺陷矩阵;并且当特征值互不相同时,理论上 可以被这组向量相似对角化。文档还提醒了舍入误差: 的两个特征值理论上是 ,但实际输出是
array([1.+0j, 1.+0j])——两个几乎相等但不同的特征值在浮点下被合并了。特征值问题对扰动比线性方程组敏感得多,参见 11-2-范数与条件数。对称或 Hermitian 矩阵请用
numpy.linalg.eigh(特征值升序、特征向量正交、数值更稳定);广义特征值问题 用 scipy.linalg.eig。
五、例题
例题 1( 的完整流程)
求 的全部特征值与特征向量。
解 第一步:写特征方程。 ,,故
(也可直接算:。)
第二步:解特征值。 因式分解 ,得
检验: ✓; ✓。
第三步:求 的特征向量。 解 :
更清楚地写出:。
消元: 得 ,方程只有 ,即 。自由变量 ,解为
第四步:求 的特征向量。 解 :
消元: 得 ,方程 ,即 。取 :
第五步:验证。
几何描述:在 方向上 把向量拉长 倍,在 方向上完全不动。因为两个特征值互异,特征向量 与 线性无关(还恰好正交,因为 对称), 可以对角化,且 把单位圆映成的椭圆,其长短轴正是这两个方向。
例题 2(:重根但有足够特征向量)
求 的特征值与特征向量。
解 第一步:写特征多项式。 对 作行变换容易造零:?更简单的是直接按第 1 行展开:
逐个计算: 对应的余子式为 ;;。故
因式分解: 是根(),除以 :
即 (单根)与 (代数重数 )。
第二步:验证迹与行列式。 ,而 ✓;,直接算 的行列式: ✓。
第三步:求 的特征向量。
注意它的三行之和为零向量:,说明第三行 第一行 第二行,行向量线性相关,故 ;又前两行显然不成比例,所以 ,特征空间维数为
直接代入 检验:
故 是属于 的特征向量,且只有这一个方向。(也可解方程验证:由 与 相减得 ,代回得 ,故 。)
第四步:求 的特征向量。
消元后只剩一个方程 ,自由变量 :
所以 ,正好等于代数重数 ,特征向量"够用"。
验证:取 :
结论: 有三个线性无关的特征向量 、、,可以对角化——即使 是二重根。
例题 3(:缺陷矩阵,特征向量不够)
求 的特征值,并判断特征向量是否够 个。
解 第一步:读特征值。 是上三角矩阵,由定理 6(1),特征值就是对角元:
即 是单根, 的代数重数为 。
第二步:求 的特征空间。
消元()得 ,再 得 。
方程: 且 , 自由。故
第三步:求 的特征空间。
方程: 且 , 自由。故
第四步:判断。 的几何重数 代数重数 ,特征向量不够:总共只能找到 个线性无关的特征向量, 不能对角化(缺陷矩阵)。
几何含义:在 方向上 不动,在 方向上拉伸 倍,而第三个方向"嵌"在这两个方向之间,被剪切——它与 的特征向量同向但独立信息不足,这就是 中会出现 这类"多项式因子"的原因(6-2-矩阵的对角化 与 6-3-微分方程组与矩阵指数 会用到 Jordan 形)。
例题 4(投影与秩一矩阵)
设 (把向量投影到直线 上的矩阵)。求其特征值与特征向量。
解 第一步: ,。特征方程
故 、。
第二步: 对 :解 ,
故 :正是投影目标直线 的方向。
第三步: 对 :解 ,即 。由 的两列相同,零空间是
垂直于 的方向(被投影"压成零"的方向)。
结论与几何: 把平面按两个主轴分解——沿 的分量原样保留(),沿 的分量被彻底丢掉()。投影矩阵的特征值只能是 与 ,且 的重数等于投影子空间的维数。这与 2.2 节的几何表格完全一致。
例题 5(复数特征值:旋转矩阵)
求 的特征值,并说明何时有实特征值。
解 ,,特征方程
判别式 。故
- 当 (不是 或 )时,,特征值为一对共轭复数,模长 ,没有实特征向量——任何实向量都被真的"转"了,方向必然改变;
- 当 时 ,(二重),所有方向都是特征向量;
- 当 时 ,(二重),所有方向都反向。
特别地, 给出 ,与 2.4 节一致。复数特征值在这里代表着"旋转"这一无法用实数刻画的几何行为(预告第 9 章)。
例题 6(斐波那契矩阵与黄金比)
斐波那契数列满足 ,、。把它写成矩阵形式
求 的特征值。
解 ,,特征方程
其中 正是黄金比。
验证: ✓; ✓。
意义(预告对角化):把初始向量按特征向量分解后, 的行为由 决定: 很大时第一项支配,于是
这就是比内公式(Binet's formula)的主项:斐波那契数列按黄金比指数增长。"特征值决定长期行为"在这里体现得最清楚(6-2-矩阵的对角化 会给出完整推导)。
例题 7(用 numpy 复核前几题) 运行 4.3 节的代码可得:
| 矩阵 | numpy 输出 | 与手算对照 |
|---|---|---|
[3. 1.] | ✓ 例题 1 | |
[2. 2.],且 rank(B - 2I) = 1 | ✓ 3.4 节的缺陷情形(特征空间维数 ) | |
[0.+1.j 0.-1.j] | ✓ 例题 5() | |
[1.618 -0.618] | ✓ 例题 6 | |
[1.+0j 1.+0j] | 理论上应为 :浮点合并了接近的特征值 |
最后一行是 numpy 文档给出的官方示例,也是"特征值问题的数值敏感性"最好的警示。
例题 8( 数字题:特征值、两个重数、可对角化判断)
题目
设
(1)求 的全部特征值,并指出各自的代数重数;
(2)对每个特征值求特征空间 的一组基与几何重数;
(3)判断 能否对角化;若能,写出 与 ;
(4)用迹与行列式检验结果。
第 1 步:写特征多项式(用 3 阶的系数公式,比硬展开快)。
三个二阶主子式(划去第 、、 行与同号列):
于是
交叉验证(按第 2 行展开): 的第 行是 ,只有一个非零元,故
与 一致 ✓。
第 2 步:读出特征值与代数重数。
第 3 步:求 的特征空间与几何重数。
方程只有一个:,即 。取自由变量 :
- :;
- :。
检验:
第 4 步:求 的特征空间与几何重数。
,故
方程:;。取 :
检验: ✓。
第 5 步:判断可对角化。
| 特征值 | 代数重数 | 几何重数 | 是否相等 |
|---|---|---|---|
| ✓ | |||
| ✓ |
,每个特征值都满足 ,故 可对角化:
第 6 步:用迹与行列式检验。
这道题的两个"眼睛"
1. 矩阵的第 行是 ,只有一个非零元——这种结构让特征多项式立刻降阶,一眼就能看出 是特征值()。做题时先扫一眼有没有"整行只有一个非零元"或"三角结构"。
2. 出现二重根时必须逐个数几何重数:本题 恰好补足,所以能对角化;若把 换成 (特征值仍是 ),则 ,,于是 ,不能对角化——两个矩阵的特征值完全相同,可对角化的结论却相反。"特征值是什么"与"能不能对角化"是两件事。
例题 9(性质数值题:由特征值反推派生矩阵的迹与行列式)
题目
已知 阶矩阵 的特征值为 。
(1)求 与 ;
(2)求 、(伴随矩阵)、 的特征值;
(3)求 、、;
(4)判断 是否可逆,说明理由;
(5)求 (用两种方法)。
第 1 步:由 与 求两个不变量。
(,所以 可逆、 的公式可用。)
第 2 步:逐个派生矩阵的特征值(用 3.5.1 节的表)。
| 派生矩阵 | 计算 | 特征值 |
|---|---|---|
第 3 步:算三个行列式与迹。
用伴随矩阵的行列式公式独立复核(5-3-克莱姆法则与体积 推论 2):
第 4 步:判断 是否可逆。
的特征值是 ,即
其中含 ,所以 , 不可逆。
一般道理: 是 的特征值 奇异 (由 ) 不可逆。"某个特征值等于 "与" 奇异"是同一件事。 这条结论在判断矩阵是否可逆时比直接算行列式快得多。
第 5 步:算 (方法一:逐个代入多项式)。
取 :
方法二:先分解再算。
的特征值是 ,故 ; 的特征值是 ,故 。于是
两法一致。
这道题里两个必扣分的错误
1. 误以为 。行列式对矩阵加法完全没有分配律。正确路线只有两条:逐个特征值代入多项式再相乘,或者先把矩阵 求出来。
2. 把 的特征值记成 。正确的是 (因为 ); 是 的特征值。本题若误用,会得到 、,与正确答案 、 完全不同。
例题 10(证明:幂等矩阵的特征值、可对角化与迹)
题目
设 阶矩阵 满足 (幂等矩阵,idempotent)。
(1)证明 的特征值只能是 或 ;
(2)证明 一定可以对角化,并写出对角形;
(3)证明 。
第 1 步:从定义式出发(第(1)问)。
设 是特征值、 是对应特征向量,即 。两边左乘 :
另一方面由 得 。两式相减:
由于 ,只能是 ,即 ,故
第 2 步:把任意向量拆成两个特征向量(第(2)问的关键构造)。
对任意 ,做恒等变形
- :
- :
所以 ( 分别是属于 与 的特征空间)。
第 3 步:证明这个和是直和。
设 。由 得 ;由 得 。故 ,即 。于是
即几何重数之和 ,由 3.4.1 节结论 3, 可对角化,且
(顺便说明:第 1 步只证明了"重数只能落在 里",还不足以说明可对角化——特征值干净 可对角化,必须像第 2、3 步那样把几何重数凑够 。)
第 4 步:算迹(第(3)问)。
由迹与特征值的关系(定理 3):
再由秩—零化度定理与 :
两式合并即得
结论可以直接用(但要知道边界)
- 幂等():,,必可对角化(例题 10);
- 对合():,必可对角化(命题 3);
- 幂零(): 全为 ,未必可对角化(例题 11 第(3)问的 就不可对角化)。
三者的差别恰好落在"几何重数够不够"上:特征值的取值集合与可对角化是两个独立的问题,考试中常把它们混在一起考。
例题 11(秩 矩阵与幂零矩阵:特征值一眼看出)
题目
(1)求 的全部特征值与特征向量,并判断能否对角化;
(2)设 均非零,证明 的特征值是 (单重)与 ( 重);
(3)求 的特征值、几何重数,并判断能否对角化。
第 1 步:识别 的秩 结构。
由命题 6,特征值为 (单重)与 ( 重)。
检验: ✓;(第 行 第 行,)✓。
第 2 步:求特征向量。
(因为 ,且 说明 的几何重数为 。)
对 :解 ,即 (三行成比例,只有这一个独立方程)。取自由变量:
第 3 步:判断可对角化。
、,几何重数之和 ,故 可对角化:
(另一条理由: 是实对称矩阵,由 6-4-对称矩阵与正定矩阵 必然可正交对角化、特征值全为实数。"对称"是比"重根不缺陷"更强的保证。)
第 4 步:证明第(2)问。
(i)一个非零特征值:直接代入 :
所以 是特征值, 是(对应于它的)特征向量。若 ,则这个值就是 ,后面的计数照旧成立。
(ii) 至少 重:若 ,则
即 整个含在 中。这是一个非零线性方程的解空间,维数为 ,故 。
(iii)凑够 个: 阶矩阵恰有 个特征值(计代数重数),已有至少 个 ,剩下一个由迹确定:
(第二个等号是迹的轮换性定理 3''; 是 矩阵,其迹就是它自己。)故剩下的那个特征值恰为 。
第 5 步:幂零矩阵 (第(3)问)。
是严格上三角矩阵,对角元全为 ,故特征值只有 (代数重数 );也可由 (直接乘两次即得)与命题 4 得到同样结论。
所以 不能对角化(它是缺陷矩阵)。它的特征空间只有一个方向:
几何图像: 把 ,每作用一次就"降一级",这正是幂零的含义;只有一个方向真正被映到零,所以特征向量不够。
三个容易搞混的说法
1. 秩 矩阵不一定可对角化,判据是 是否为零:
- (即 )时几何重数之和 ,可以对角化, 相似于 ;
- (即 )时 , 是非零幂零矩阵:特征值全为 ,但 ,不能对角化。
本题第(1)问的 属于第一种情形(),所以可对角化;把 换成 之类与自己正交的向量(取 ),就落到第二种情形。
2. "特征值全为 幂零"✓(需要 Cayley–Hamilton 定理 ),但"特征值全为 可对角化" ✗——只有 才可能(因为可对角化 + 特征值全为 意味着 ,故 )。 就是这个反例。
3. " 的特征多项式是 "与"、"完全一致 ✓,不要因为"三个特征值都是 "就以为 :,只是它的"伸缩倍数"全为 (所有方向最终都被压到零)。
例题 12(三个不变量直接写出特征多项式并求特征值)
题目
设
(1)只用迹、二阶主子式之和、行列式写出 ;
(2)求 的全部特征值;
(3)验证 、、;
(4)求每个特征值对应的一个特征向量。
第 1 步:算三个不变量。
三个二阶主子式:
第 2 步:写出特征多项式。
第 3 步:因式分解求特征值。
试 : ✓,故有因子 。作多项式除法:
所以
第 4 步:验证三个恒等式。
三个恒等式全部对上,说明特征值与三个不变量都算对了。
第 5 步:求每个特征值的一个特征向量。
:
由第 行 ,由第 行 。取 :。
检验: ✓。
:
由第 行 ,由第 行 。取 :。
检验: ✓。
:
由第 行 ,由第 行 。取 :。
检验: ✓。
第 6 步:小结(三个特征值互异)。
三个特征值 互不相同,由定理 8, 必然可对角化, 可逆。
这道题的方法论( 阶题的通法)
阶矩阵的特征多项式不需要真的去展开行列式:只要算出三个数——迹、三个二阶主子式之和、行列式——就能直接写出
这三个数都是纯数字计算,比"造零 + 展开含 的行列式"快得多,也几乎不会出符号错误。唯一的前提是:别忘了 个二阶主子式都要算(很多同学只算一个)。
六、应用
- 长时间行为与"主特征值"(最重要的应用) 对可对角化的 ,。 大时绝对值最大的特征值支配一切:
- Markov 链:转移矩阵的特征值满足 ,且 必然是一个特征值,对应的特征向量就是稳态分布(10-2-Markov矩阵与稳态);
- PageRank:Google 矩阵的主特征向量给出网页排序;
- 斐波那契与人口模型:增长率趋于主特征值(例题 6);
- 收敛速度:由 决定,这个比值越小收敛越快——迭代法(11-3-迭代方法与预条件)的收敛率正是这样分析的。
- 微分方程与稳定性 的解是 :
- 全体 ⟺ 零解渐近稳定;
- 存在 ⟺ 不稳定(解发散);
- 存在 ⟺ 临界情形(可能振荡不衰减)。
控制系统设计、电路稳定性、种群动力学都靠特征值判断。见 6-3-微分方程组与矩阵指数。
- 振动与模态分析 结构的固有频率满足 (广义特征值问题), 为刚度矩阵、 为质量矩阵。桥梁、飞机机翼、建筑抗震设计都要算最小的几个特征值(基频),特征向量就是振型。分子光谱、鼓面与乐器的谐波同理。
- 对角化与矩阵函数 让一切"矩阵函数"变成对特征值的标量运算:、、、、差分方程与递推关系的通解。这是 6-2-矩阵的对角化 的核心价值,也是"谱方法"(spectral method)名称的来源。
- 数据科学:PCA 与协方差矩阵 样本协方差矩阵 是实对称矩阵,其特征值就是各主成分方向上的方差,特征向量就是主成分方向。特征值分解(或等价的 SVD)给出降维、去噪与可视化:特征值大的方向是"数据变化最剧烈"的方向(7-3-主成分分析PCA、7-1-SVD的构造与几何意义)。
- 图论与谱方法 图的邻接矩阵、拉普拉斯矩阵的特征值编码了图的结构信息:连通分量个数等于 特征值的重数;拉普拉斯矩阵第二小的特征值(Fiedler 值)衡量图的连通程度,用于谱聚类与社区发现(10-1-图与网络)。
- 正定性与二次型 实对称矩阵 正定 它的所有特征值都大于 。这是判定二次型 是否恒正的标准方法,在优化(凸性)、力学(势能极小)与统计(协方差矩阵可逆)中反复使用(6-4-对称矩阵与正定矩阵、6-5-二次型与标准形)。
- 数值敏感性:特征值也会"病态" 特征值对扰动的敏感度约为 (特征值靠得越近越敏感),重根处敏感度可以无穷大(扰动为 时特征值改变量级为 )。非正规矩阵(,例如 )尤其危险:特征值全为 却可能有很大的范数与瞬态放大。因此工程上从不展开特征多项式求根,而是用 QR 迭代(
numpy.linalg.eig背后的 LAPACKgeev),复杂度 且数值稳定。
七、易错点
十四个高频错误
1. 漏掉 。没有这一条,"任何数都是特征值"。
2. 对非方阵求特征值。 要求 是方阵。
3. 把零向量当特征向量。特征空间 包含零向量(它是子空间),但特征向量必须是非零向量。说"特征空间"时允许零向量,说"特征向量"时必须非零。
4. 特征多项式记号不一致。 与 相差因子 ,根相同但多项式相反;考试若要求"写出特征多项式",需按授课教材的约定(国内多用 )。
5. 把特征值当成"向量长度"。特征值是伸缩倍数,可以是负数(反向)、(压扁)、复数(旋转 + 伸缩)。
6. 忘记迹与行列式的检验。、 必须计重数;用它们一步就能发现算错的特征值。
7. 以为 (或 )。这不成立。取
两者的特征值都是 (都是三角矩阵)。但
的特征值是 与 (、,特征方程 ); 的特征值是 (、,特征方程 )。两者都不是"逐个相加/相乘"能得到的。原因很直接: 与 的特征向量不同,两边的分解对不上。只有共享同一特征向量时才有可加性/可乘性(例如 、、,见定理 6 的(4)(5)(6))。
8. 一看到重根就说"不可对角化"。重根 可能仍可对角化(例题 2 的 是二重根但几何重数为 );必须逐个数 。
9. 只看对角线猜特征值。这个捷径只对三角矩阵有效。例: 的对角元都是 ,但特征值是 与 (特征向量 与 )。
10. 以为 与 连特征向量也相同。只有特征值相同。例: 只有特征向量 ,其转置只有 。
11. 混淆"特征值相同"与"相似"。相似 特征值相同;反之不成立( 与 特征值都是 ,但不相似——后者的特征向量不够;判断依据见 6-2-矩阵的对角化)。
12. 数值上试图用特征多项式求根。 稍大时特征多项式的系数对扰动极其敏感(Wilkinson 多项式的经典反例),求根完全不可靠。请用
numpy.linalg.eig/eigh,并注意文档提醒的"接近相等的特征值可能被浮点合并"。13. 把 (伴随矩阵)的特征值记成 。正确的是 (因为可逆时 ); 是 的特征值。另外这个公式只在 可逆时成立, 时 的秩至多为 ,其特征值只能是 (5-3-克莱姆法则与体积 推论 2)。
14. 从特征多项式的因式分解直接"读出"几何重数。特征多项式只给出代数重数;几何重数必须另算 。"重根"与"缺陷"是两件独立的事: 缺陷,而本篇例题 2、例题 8 的矩阵虽有二重根却不缺陷。
八、练习题
练习 1(基础) 求 的特征值与特征向量,并用迹和行列式检验。
练习 2(基础,性质) 已知 阶矩阵 的特征值为 。求:
(1) 与 ;
(2) 的特征值;
(3) 的特征值;
(4) 与 的特征值;
(5)判断 是否可逆。
练习 3(进阶, 恒等式) 对 ,证明它的两个特征值满足 、。
练习 4(进阶,可对角化判断) 设 。
(1)求全部特征值;
(2)求 的维数,判断 是否有 个线性无关的特征向量;
(3)写出 的特征值( 为正整数)。
练习 5(思考与编程)
(1)求旋转矩阵 的特征值,并说明 取哪些值时存在实特征值。
(2)用 numpy 求 与斐波那契矩阵 的特征值,解释它们各自的几何/数列意义。
<details>
<summary>练习题答案(点击展开)</summary>
练习 1 ,,特征方程
对 :
对 :
验证: ✓; ✓; ✓; ✓。
练习 2
(1);。
(2) 的特征值为 (由定理 6(3))。
(3) 的特征值为 在各个 处的值:
(4) 的特征值仍是 ; 的特征值是 。
(5),故 可逆(等价地:没有零特征值)。
练习 3 直接计算特征多项式:
这是首项系数为 的二次多项式,两根之和等于一次项系数的相反数,即 ;两根之积等于常数项,即 (韦达定理)。判别式 时两根为一对共轭复数,两个恒等式在复数意义下仍然成立。
练习 4
(1) 是上三角矩阵,特征值就是对角元:(代数重数 )。
(2)
特征空间 ,只有一个线性无关的特征向量,几何重数 代数重数 , 没有 个线性无关的特征向量(缺陷矩阵,不能对角化)。
(3)由定理 6(4), 的特征值是 ,代数重数为 ,但特征空间维数仍是 ——取幂不会修复缺陷(事实上 ,请自行用数学归纳法验证)。
练习 5
(1)由例题 5, 的特征值是 。要它们为实数,必须 ,即
此时 ( 为偶数, 二重)或 ( 为奇数, 二重),所有向量都是特征向量。其余情形没有实特征向量——旋转 时,任何实向量的方向都被改变了。
(2)numpy 结果:
import numpy as np
print(np.linalg.eigvals(np.array([[0., 1.], [1., 0.]]))) # [ 1. -1.]
print(np.linalg.eigvals(np.array([[1., 1.], [1., 0.]]))) # [ 1.61803399 -0.61803399]
- 第一个矩阵是关于直线 的反射(也是置换矩阵):特征值 (对应 ,镜面内方向不动)与 (对应 ,法线方向反向)。
- 第二个是斐波那契矩阵:主特征值 就是黄金比, 使其影响随 衰减,于是 按黄金比的 次幂增长(例题 6)。
</details>
九、常见问题 FAQ Q1:特征值、特征向量为什么叫"eigen"?"谱"又是什么?
eigen 是德语"自己的、固有的"(数学上的固定译法来自 20 世纪初的德文文献)。它的含义是:这些量是矩阵自身的属性,与坐标系的选择无关——换一组基,矩阵变成相似矩阵,特征值不变(定理 7)。"谱"(spectrum,记作 )就是全体特征值构成的集合(计重数),这个说法来自光谱学:正如每种元素有自己独特的谱线,每个矩阵有自己的一组特征值。第 9 章的 Fourier 矩阵、第 10 章的图论都会用"谱"这个词。
Q2:为什么特征向量不能是零向量?
因为如果允许零向量, 对任何 都成立,特征值就完全没有信息量了。要求 才能把"方向"这一概念带进来: 的真正含义是" 不改变 所在的直线"。另外,特征空间 作为子空间必须含零向量(子空间定义),所以在谈"特征空间"时可以含零向量,谈"特征向量"时必须排除零向量。
Q3: 与 的特征值相同、 与相似的 特征值也相同,这两件事是一回事吗?
不是,两者的强度差别很大。
- 相似(, 可逆)是强等价关系:特征多项式完全相同,因而特征值(含重数)相同、迹与行列式相同,连 Jordan 形也相同;特征向量按坐标变换对应:。
- 转置只保证特征多项式相同:
特征向量则通常完全不同(例如 的特征向量只有 ,其转置只有 )。
一句话总结
相似 特征值相同 迹与行列式相同;箭头不能反向。
反过来,"特征值相同"远弱于"相似",这一点比转置的问题更需要警惕:
它们的特征值都是 ,但不相似: 与任何可逆矩阵都交换(),而 。更本质的判据是特征向量的个数—— 只有一个线性无关的特征向量(练习 4 就是这一情形),而 的每个非零向量都是特征向量。
(顺带一提:任何一个方阵都与它的转置相似,这是一个经典结论,但需要借助相似标准形来证明;它说明"转置"虽然不显然,却并不像它看起来那样"弱"。)
Q4:为什么数值计算不展开特征多项式求根?
因为求根问题比特征值问题本身病态得多。经典反例是 Wilkinson 多项式 :仅仅把 的系数扰动 ,根就会发生量级为 的移动,有些根甚至变成复数对。更本质的原因是:
- 特征多项式的系数是特征值的初等对称函数(推论 3),当特征值量级悬殊时系数会被"挤压",微小扰动会剧烈改变根;
- 而 QR 算法(
numpy.linalg.eig背后的 LAPACKgeev)通过正交相似变换直接逼近特征值,是后向稳定的,代价只有 且无需构成多项式; - 对称矩阵用
eigh(LAPACKsyev系)还能保证实特征值与正交特征向量。
因此:手算用特征多项式(),计算机用 QR 迭代。 这也是 11-1-数值稳定性与LU 中"数学公式漂亮 ≠ 数值算法可用"的又一个例子。
本篇小结
一页纸回顾
1. 定义与判据
特征向量 = "方向不变"的向量,特征值 = 该方向上的伸缩倍数(可为负、零、复数)。 奇异。
2. 三个不变量( 阶题的最快通路)
其中 是 的全部二阶主子式之和。
于是 ,不必真的展开含 的行列式。一般地,特征值的 阶初等对称多项式等于全部 阶主子式之和(5-2-排列与代数余子式 的子式概念在这里发挥作用)。
3. 派生矩阵的特征值(特征向量都不变)
| 派生 | | | | | | | | |
|---|---|---|---|---|---|---|---|---|
| 特征值 | | | | | | | | |
那一格带 因子,且要求 可逆——最容易错。
4. 两个重数(国内术语)
代数重数 = 特征方程中根的重数;几何重数 。
- 恒有 ;
- 单根必不缺陷;
- 可对角化 每个 都满足 。
5. 五类特殊矩阵(结论要背,证明要会)
| 条件 | 特征值 | 可对角化? |
|---|---|---|
| (幂等) | 或 | 一定可以,且 |
| (对合) | | 一定可以 |
| (幂零) | 全是 | 不一定( 就不行) |
| (正交) | | 实对称时可正交对角化 |
| (秩 ) | 与 | 时可以 |
6. 最容易丢分的四处
- 忘记 ;
- 以为 (错,特征向量不同就无效);
- 一看到重根就说"不可对角化"(必须数几何重数);
- 用 的大小判断奇异性(应看条件数 ,11-2-范数与条件数)。
7. 下一步:6-2-矩阵的对角化 给出可对角化的充要条件与 、 的计算;6-3-微分方程组与矩阵指数 把"特征值决定长期行为"搬到连续时间(稳定性由 决定);6-4-对称矩阵与正定矩阵 说明实对称矩阵为什么必然可正交对角化;而本篇的"、"正是 5-3-克莱姆法则与体积 与行列式的接口。
相关笔记
- 6-2-矩阵的对角化——本篇的直接后续: 的构造、可对角化的充要条件(几何重数 代数重数)、 与矩阵幂的计算。
- 6-3-微分方程组与矩阵指数——特征值决定 的稳定性与矩阵指数 ,是"特征值决定长期行为"的连续版本。
- 6-4-对称矩阵与正定矩阵——实对称矩阵的特征值全为实数、特征向量可取正交基(),以及用特征值判定正定性。
- 5-3-克莱姆法则与体积—— 的来源(齐次方程组有非零解的判据); 的体积解释。
- 5-1-行列式的性质——特征多项式与相似不变性证明中所用的 、。
- 3-2-零空间与阶梯形——求特征向量就是求零空间 ,方法与步骤完全相同。
- 7-3-主成分分析PCA——协方差矩阵的特征值 = 各主成分方向上的方差,是特征值在数据科学中最重要的应用。
- 10-2-Markov矩阵与稳态——转移矩阵的主特征值 与稳态分布,特征向量给出长期占比。
- 5-2-排列与代数余子式——本篇 3.2.1 节的"特征值的 阶初等对称多项式 = 全部 阶主子式之和",用的正是那一篇的子式与代数余子式;手算 阶特征多项式时的"造零 + 展开"也在那里。这是第 5 章与第 6 章之间最重要的接口。
- 8-3-相似矩阵与基变换——"特征值是相似不变量"的坐标解释:同一个线性变换在不同基下的矩阵相似,特征值与基的选取无关;本篇 3.6 节的定理 7 在那里会被重新讲一遍(Jordan 形也在那里)。
- 6-5-二次型与标准形——对称矩阵的特征值决定二次型的标准形与惯性指数;"特征值全正 正定"的连接点。
- 9-2-Hermitian矩阵与酉矩阵——本篇 3.2.1 节"视角三"用到的 Schur 定理(任何复方阵酉相似于上三角矩阵)在那里给出;Hermitian 矩阵的实特征值也由它导出。
- 12-2-协方差矩阵——协方差矩阵的特征值就是各主成分方向上的方差, 等于总方差、 与广义方差成正比:本篇的两个恒等式在统计里直接就是"方差分解"。
- 附录-矩阵分解总览——特征值分解 (对称情形的 )在四种分解(、、、)中的位置、适用条件与代价对比;"这道题该用哪种分解"的答案基本都在那一页。
- 2-4-矩阵运算与逆矩阵——、伴随矩阵 的定义、求法与运算律;本篇 3.5.1 节"派生矩阵的特征值"表的左列正是这些矩阵,两张表配合看最快。
- 4-4-标准正交基与Gram-Schmidt——"特征向量可以取成标准正交基"是对称矩阵最好的性质之一(6-4-对称矩阵与正定矩阵);Gram–Schmidt 是把一组线性无关的特征向量变成正交基的通用工具,也是 的来源。
参考来源 在线课程与公开资料
- MIT 18.06 Linear Algebra, Spring 2010(Gilbert Strang)——第 21–22 讲:Eigenvalues and Eigenvectors、Diagonalization and Powers of ;"特征向量方向不变"的课堂讲法。
- Introduction to Linear Algebra(Strang 教材官网,第 5 版)——第 6 章 6.1 节 Introduction to Eigenvalues。
- numpy.linalg.eig 文档——特征值不排序、特征向量按列对应且已单位化、实矩阵的复特征值成共轭对、特征向量矩阵可能不满秩,以及 被浮点合并为两重根的舍入示例。
- scipy.linalg.eig 文档——一般矩阵与广义特征值问题 ;同时给出旋转矩阵 的特征值为 的示例。
教材
- Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley–Cambridge Press, 2016,第 6 章(Eigenvalues and Eigenvectors)。
- 同济大学数学系《线性代数》(第七版),高等教育出版社——第 5 章第 1~2 节(向量的内积、长度及正交性;方阵的特征值与特征向量),后续第 3~5 节对应本库的 6-2-矩阵的对角化、6-4-对称矩阵与正定矩阵、6-5-二次型与标准形。
- 数值线性代数中的 Wilkinson 多项式与 QR 算法(特征值问题的后向稳定性)。
记号差异提示
特征多项式有的书写 、有的写 ;特征值有的用 、有的用 ;特征向量有的要求单位化、有的只要求非零。本库统一用 与非零特征向量;考试与作业请以授课教材的约定为准。