在数学的世界里，特征值与特征向量是线性代数中非常重要的概念。它们听起来可能很复杂，但实际上，就像解决小学数学问题一样简单。下面，我们就通过一些例题来揭示它们的奥秘。
什么是特征值与特征向量？
首先，让我们来定义一下这两个概念。
特征值：假设我们有一个矩阵 ( A )，如果存在一个非零向量 ( \mathbf{v} ) 和一个常数 ( \lambda )，使得 ( A\mathbf{v} = \lambda\mathbf{v} )，那么 ( \lambda ) 就被称为矩阵 ( A ) 的一个特征值，而 ( \mathbf{v} ) 则是与之对应的特征向量。
特征向量：如上所述，与特征值 ( \lambda ) 相对应的非零向量 ( \mathbf{v} ) 就是特征向量。
例题解析
例题1：找出矩阵的特征值和特征向量
给定矩阵 ( A = \begin{pmatrix} 2 & 1 \ 1 & 2 \end{pmatrix} )。
解题步骤：
- 计算特征值：首先，我们需要找出矩阵 ( A ) 的特征值。这可以通过求解特征多项式 ( \det(A - \lambda I) = 0 ) 来实现，其中 ( I ) 是单位矩阵。
[ \det(A - \lambda I) = \det\begin{pmatrix} 2 - \lambda & 1 \ 1 & 2 - \lambda \end{pmatrix} = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 = 0 ]
解这个方程，我们得到特征值 ( \lambda_1 = 1 ) 和 ( \lambda_2 = 3 )。
- 计算特征向量：接下来，我们需要找出与每个特征值对应的特征向量。
对于 ( \lambda_1 = 1 )，解方程 ( (A - \lambda_1 I)\mathbf{v} = 0 )：
[ \begin{pmatrix} 1 & 1 \ 1 & 1 \end{pmatrix}\begin{pmatrix} x \ y \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} ]
这个方程告诉我们 ( x = -y )。因此，特征向量可以是 ( \mathbf{v}_1 = \begin{pmatrix} 1 \ -1 \end{pmatrix} )。
对于 ( \lambda_2 = 3 )，解方程 ( (A - \lambda_2 I)\mathbf{v} = 0 )：
[ \begin{pmatrix} -1 & 1 \ 1 & -1 \end{pmatrix}\begin{pmatrix} x \ y \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} ]
这个方程告诉我们 ( x = y )。因此，特征向量可以是 ( \mathbf{v}_2 = \begin{pmatrix} 1 \ 1 \end{pmatrix} )。
例题2：特征值与特征向量的几何意义
给定矩阵 ( A = \begin{pmatrix} 4 & 0 \ 0 & 4 \end{pmatrix} )。
解题步骤：
计算特征值：特征多项式 ( \det(A - \lambda I) = \det\begin{pmatrix} 4 - \lambda & 0 \ 0 & 4 - \lambda \end{pmatrix} = (4 - \lambda)^2 = 0 ) 给出特征值 ( \lambda = 4 )。
计算特征向量：解方程 ( (A - \lambda I)\mathbf{v} = 0 )：
[ \begin{pmatrix} 0 & 0 \ 0 & 0 \end{pmatrix}\begin{pmatrix} x \ y \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} ]
这个方程告诉我们 ( x ) 和 ( y ) 可以是任意值。因此，特征向量可以是 ( \mathbf{v} = \begin{pmatrix} x \ y \end{pmatrix} )，其中 ( x ) 和 ( y ) 是任意非零值。
在这个例子中，矩阵 ( A ) 的特征值 ( \lambda = 4 ) 表示矩阵 ( A ) 放大了任何向量 ( \mathbf{v} ) 的长度，但不会改变其方向。
总结
通过以上例题，我们可以看到特征值与特征向量是如何简单易懂的。它们在数学和工程学中有着广泛的应用，例如在图像处理、信号处理和量子力学等领域。希望这些例子能够帮助你更好地理解特征值与特征向量的概念。