线性代数是数学和工程学中一个非常重要的分支，它在物理学、计算机科学、经济学等多个领域都有广泛的应用。特征向量与矩阵运算作为线性代数中的核心内容，理解它们对于解决实际问题至关重要。本文将通过解析经典例题，帮助读者掌握线性代数中的核心技巧。
一、特征值与特征向量的概念
1.1 特征值
对于一个n阶方阵A，如果存在一个非零向量x，使得Ax = λx成立，那么数λ被称为矩阵A的一个特征值，向量x被称为矩阵A属于特征值λ的特征向量。
1.2 特征向量的性质
- 特征向量是非零向量。
- 对于同一个特征值，可以有多个线性无关的特征向量。
- 特征向量的模长可能不同。
二、矩阵运算与特征值、特征向量的关系
2.1 特征值与矩阵的行列式、迹的关系
- 矩阵A的特征值λ满足行列式|A - λE| = 0，其中E是单位矩阵。
- 矩阵A的特征值之和等于矩阵A的迹（即对角线元素之和）。
2.2 特征向量与矩阵的秩的关系
- 特征向量的个数等于矩阵A的秩。
- 矩阵A的秩等于其非零特征值的个数。
三、经典例题解析
3.1 例题1：求矩阵A的特征值与特征向量
解题步骤：
- 求解方程|A - λE| = 0，得到特征值λ1和λ2。
- 对于每个特征值λi，求解方程(A - λiE)x = 0，得到对应的特征向量xi。
代码示例：
import numpy as np
# 定义矩阵A
A = np.array([[2, 1], [1, 2]])
# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
# 输出结果
print("特征值：", eigenvalues)
print("特征向量：", eigenvectors)
3.2 例题2：求矩阵A的特征多项式
解题步骤：
- 计算矩阵A的特征值λ1和λ2。
- 根据特征值构造特征多项式P(λ) = (λ - λ1)(λ - λ2)。
代码示例：
# 定义矩阵A
A = np.array([[2, 1], [1, 2]])
# 计算特征值
eigenvalues = np.linalg.eigvals(A)
# 构造特征多项式
P = np.prod([np.linalg.det(A - eigenvalue * np.eye(A.shape[0])) for eigenvalue in eigenvalues])
# 输出结果
print("特征多项式：", P)
四、总结
通过以上经典例题的解析，我们可以看到特征值与特征向量在解决实际问题中的应用。掌握线性代数中的核心技巧对于深入学习数学和工程学具有重要意义。在实际应用中，我们可以根据具体问题选择合适的线性代数方法，从而提高解决问题的效率。