方阵，作为线性代数中的一个重要概念，其特征值和特征向量在解决实际问题中扮演着关键角色。今天，我们就来揭秘方阵的特征值，并通过动手解例题的方式，一起感受数学的魅力。
什么是特征值？
特征值，简单来说，就是一个方阵乘以一个非零向量后，该向量仍然在原方向上伸缩的倍数。数学上，设 ( A ) 是一个 ( n \times n ) 的方阵，( \lambda ) 是一个标量，( \mathbf{v} ) 是一个非零向量，如果满足 ( A\mathbf{v} = \lambda \mathbf{v} )，则称 ( \lambda ) 为 ( A ) 的一个特征值，( \mathbf{v} ) 为对应的特征向量。
如何求特征值？
求一个方阵的特征值，通常需要以下几个步骤：
- 计算特征多项式：特征多项式是 ( \det(A - \lambda I) = 0 ) 的多项式，其中 ( I ) 是单位矩阵。
- 求解特征多项式：将特征多项式因式分解，得到特征值。
- 求特征向量：对于每个特征值 ( \lambda )，求解线性方程组 ( (A - \lambda I)\mathbf{x} = \mathbf{0} )，得到对应的特征向量。
动手解例题
下面，我们通过一个具体的例题来感受求解特征值的过程。
例题
已知方阵 ( A = \begin{pmatrix} 2 & 1 \ 1 & 2 \end{pmatrix} )，求 ( A ) 的特征值和特征向量。
解题步骤
- 计算特征多项式：
( \det(A - \lambda I) = \det\begin{pmatrix} 2 - \lambda & 1 \ 1 & 2 - \lambda \end{pmatrix} = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 )
- 求解特征多项式：
( \lambda^2 - 4\lambda + 3 = 0 )
解得 ( \lambda_1 = 1 )，( \lambda_2 = 3 )
- 求特征向量：
对于 ( \lambda_1 = 1 )，解方程组 ( (A - I)\mathbf{x} = \mathbf{0} )：
( \begin{pmatrix} 1 & 1 \ 1 & 1 \end{pmatrix} \begin{pmatrix} x_1 \ x_2 \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} )
解得特征向量 ( \mathbf{v}_1 = \begin{pmatrix} -1 \ 1 \end{pmatrix} )
对于 ( \lambda_2 = 3 )，解方程组 ( (A - 3I)\mathbf{x} = \mathbf{0} )：
( \begin{pmatrix} -1 & 1 \ 1 & -1 \end{pmatrix} \begin{pmatrix} x_1 \ x_2 \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} )
解得特征向量 ( \mathbf{v}_2 = \begin{pmatrix} 1 \ 1 \end{pmatrix} )
总结
通过这个例题，我们可以看到求解特征值的过程。在实际应用中，特征值和特征向量可以帮助我们解决很多问题，比如求解线性方程组、分析系统的稳定性等。希望这篇文章能帮助你更好地理解方阵的特征值，感受数学的魅力。