在数学的世界里，矩阵是一种强大的工具，它能够帮助我们解决各种问题。而矩阵的特征值，则是矩阵中一个非常重要的概念。它不仅能够揭示矩阵的本质，还能在物理学、工程学等领域发挥重要作用。本文将通过例题详解，帮助大家轻松掌握矩阵特征值的秘密。
一、特征值与特征向量的定义
首先，我们来明确一下特征值和特征向量的定义。
特征值：设 ( A ) 是一个 ( n \times n ) 的方阵，如果存在一个非零向量 ( \mathbf{v} ) 和一个标量 ( \lambda )，使得 ( 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。
特征多项式：设 ( \lambda ) 为 ( A ) 的一个特征值，那么 ( \det(A - \lambda I) = 0 )，其中 ( I ) 是单位矩阵。这个方程称为 ( A ) 的特征多项式。
二、例题详解
例题1：求矩阵 ( A = \begin{bmatrix} 2 & 1 \ -1 & 2 \end{bmatrix} ) 的特征值和特征向量
解题步骤：
- 求特征多项式：( \det(A - \lambda I) = \det \begin{bmatrix} 2 - \lambda & 1 \ -1 & 2 - \lambda \end{bmatrix} = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 )
- 求解特征值：令 ( \lambda^2 - 4\lambda + 3 = 0 )，解得 ( \lambda_1 = 1 )，( \lambda_2 = 3 )
- 求解特征向量：
- 当 ( \lambda_1 = 1 ) 时，解方程组 ( (A - I)\mathbf{v} = \mathbf{0} )，得到特征向量 ( \mathbf{v}_1 = \begin{bmatrix} 1 \ 1 \end{bmatrix} )
- 当 ( \lambda_2 = 3 ) 时，解方程组 ( (A - 3I)\mathbf{v} = \mathbf{0} )，得到特征向量 ( \mathbf{v}_2 = \begin{bmatrix} 1 \ -1 \end{bmatrix} )
例题2：求矩阵 ( A = \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix} ) 的特征值和特征向量
解题步骤：
- 求特征多项式：( \det(A - \lambda I) = \det \begin{bmatrix} 1 - \lambda & 2 \ 3 & 4 - \lambda \end{bmatrix} = (1 - \lambda)(4 - \lambda) - 6 = \lambda^2 - 5\lambda - 2 )
- 求解特征值：令 ( \lambda^2 - 5\lambda - 2 = 0 )，解得 ( \lambda_1 = 2 )，( \lambda_2 = -1 )
- 求解特征向量：
- 当 ( \lambda_1 = 2 ) 时，解方程组 ( (A - 2I)\mathbf{v} = \mathbf{0} )，得到特征向量 ( \mathbf{v}_1 = \begin{bmatrix} 1 \ 1 \end{bmatrix} )
- 当 ( \lambda_2 = -1 ) 时，解方程组 ( (A + I)\mathbf{v} = \mathbf{0} )，得到特征向量 ( \mathbf{v}_2 = \begin{bmatrix} 1 \ -1 \end{bmatrix} )
三、总结
通过以上例题，我们可以看到，求矩阵的特征值和特征向量需要以下几个步骤：
- 求特征多项式
- 求解特征值
- 求解特征向量
掌握这些步骤，我们就能轻松地解决各种与矩阵特征值相关的问题。希望本文的例题详解能够帮助大家更好地理解矩阵特征值的秘密。