矩阵特征值与特征向量定义_特征值与特征向量表达-CSDN博客

一、特征值与特征向量定义

1️⃣ 数学表达

对于n阶方阵A，若存在标量λ和非零向量v，满足：

$A\mathbf{v} = \lambda\mathbf{v}$

则：

λ称为矩阵A的特征值(Eigenvalue)
v称为对应λ的特征向量(Eigenvector)

2️⃣ 几何意义

特征向量在矩阵变换中只被缩放，方向不变
缩放比例由特征值决定
例如：矩阵 $[3001]\begin{bmatrix}3&0\\0&1\end{bmatrix}$ 的特征值3和1，对应特征向量 $i\mathbf{i}$ 和 $j\mathbf{j}$

二、核心性质

性质	说明	数学表达
迹与特征值关系	特征值之和等于矩阵的迹	$∑λi=tr(A)\sum \lambda_i = \text{tr}(A)$
行列式与特征值关系	特征值之积等于矩阵行列式	$∏λi=det⁡(A)\prod \lambda_i = \det(A)$
可逆性	0不是特征值 ⇨ 矩阵可逆	$λi≠0\lambda_i \neq 0$
对称矩阵特征值	实对称矩阵的特征值为实数	$A=AT⇒λ∈RA=A^T \Rightarrow \lambda\in\mathbb{R}$

三、计算步骤（手工推导）

以矩阵 $\begin{bmatrix}4&1\\2&3\end{bmatrix}$ 为例：

求特征方程：

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

$\begin{vmatrix}4-\lambda&1\\2&3-\lambda\end{vmatrix} = (4-\lambda)(3-\lambda) - 2 = \lambda^2 -7\lambda +10 =0$
解特征值：

$\lambda_1=5,\ \lambda_2=2$
求特征向量：
- 对 $λ=5\lambda=5$ ：
  
  $(A-5I)\mathbf{v}=0 \Rightarrow \begin{bmatrix}-1&1\\2&-2\end{bmatrix}\begin{bmatrix}v_1\\v_2\end{bmatrix}=0$
  
  得特征向量 $v1=[11]\mathbf{v}_1 = \begin{bmatrix}1\\1\end{bmatrix}$
- 对 $λ=2\lambda=2$ ：
  
  $(A-2I)\mathbf{v}=0 \Rightarrow \begin{bmatrix}2&1\\2&1\end{bmatrix}\begin{bmatrix}v_1\\v_2\end{bmatrix}=0$
  
  得特征向量 $v2=[1−2]\mathbf{v}_2 = \begin{bmatrix}1\\-2\end{bmatrix}$

四、Python代码实现

1️⃣ NumPy计算特征值/向量

import numpy as np

A = np.array([[4, 1], 
              [2, 3]])

# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)

print("特征值:", eigenvalues) 
# 输出: [5. 2.]

print("特征向量矩阵:\n", eigenvectors)
# 输出: [[ 0.70710678 -0.4472136 ]
#       [ 0.70710678  0.89442719]]

2️⃣ 验证特征方程

lambda_val = 5
v = eigenvectors[:, 0]  # 取第一列特征向量

# 验证 Av = λv
print("验证结果误差:", np.linalg.norm(A@v - lambda_val*v))  
# 输出接近于0（考虑浮点误差）

五、核心应用场景

应用领域	作用说明	典型案例
主成分分析(PCA)	协方差矩阵的特征分解	数据降维
振动分析	模态分析中的固有频率	机械系统共振频率计算
量子力学	哈密顿算符的本征态	粒子能量状态求解
推荐系统	矩阵分解(SVD)的基础	用户-物品评分矩阵分解