【特征值求特征向量】在线性代数中，特征值与特征向量是矩阵分析中的重要概念。它们在许多领域如物理学、工程学、计算机科学等中有着广泛的应用。特征值和特征向量之间的关系密切，通过求解特征方程可以得到特征值，再根据特征值求出对应的特征向量。
一、基本概念
- 特征值（Eigenvalue）：设 $ A $ 是一个 $ n \times n $ 的方阵，若存在非零向量 $ \mathbf{v} $ 和标量 $ \lambda $，使得 $ A\mathbf{v} = \lambda \mathbf{v} $，则称 $ \lambda $ 为矩阵 $ A $ 的一个特征值。
- 特征向量（Eigenvector）：满足上述等式的非零向量 $ \mathbf{v} $ 称为对应于特征值 $ \lambda $ 的特征向量。
二、求解步骤总结
| 步骤 | 内容 |
| 1 | 设定矩阵 $ A $，并写出特征方程 $ \det(A - \lambda I) = 0 $ |
| 2 | 解特征方程，求得所有特征值 $ \lambda_1, \lambda_2, ..., \lambda_n $ |
| 3 | 对每个特征值 $ \lambda_i $，求解齐次方程 $ (A - \lambda_i I)\mathbf{x} = 0 $ |
| 4 | 找出该方程的非零解，即为对应于 $ \lambda_i $ 的特征向量 |
| 5 | 若有多个解，可将其表示为一组基向量 |
三、示例说明
假设矩阵 $ A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix} $
1. 特征方程：
$$
\det(A - \lambda I) = \det\left( \begin{bmatrix} 2-\lambda & 1 \\ 1 & 2-\lambda \end{bmatrix} \right) = (2-\lambda)^2 - 1 = \lambda^2 - 4\lambda + 3
$$
2. 求特征值：
$$
\lambda^2 - 4\lambda + 3 = 0 \Rightarrow \lambda = 1, 3
$$
3. 求对应特征向量：
- 当 $ \lambda = 1 $：
$$
(A - I)\mathbf{x} = \begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}\mathbf{x} = 0
$$
解得：$ x_1 = -x_2 $，特征向量为 $ \mathbf{v}_1 = k\begin{bmatrix} 1 \\ -1 \end{bmatrix} $（$ k \neq 0 $）
- 当 $ \lambda = 3 $：
$$
(A - 3I)\mathbf{x} = \begin{bmatrix} -1 & 1 \\ 1 & -1 \end{bmatrix}\mathbf{x} = 0
$$
解得：$ x_1 = x_2 $，特征向量为 $ \mathbf{v}_2 = k\begin{bmatrix} 1 \\ 1 \end{bmatrix} $（$ k \neq 0 $）
四、总结
| 特征值 | 对应特征向量 |
| $ \lambda = 1 $ | $ \begin{bmatrix} 1 \\ -1 \end{bmatrix} $ |
| $ \lambda = 3 $ | $ \begin{bmatrix} 1 \\ 1 \end{bmatrix} $ |
通过以上步骤，可以系统地从给定的矩阵中求出其所有的特征值和对应的特征向量。这一过程不仅有助于理解矩阵的结构特性，也为后续的矩阵对角化、主成分分析等应用提供了基础支持。
