Lecture 21: Eigenvalues and Eigenvectors

目录 · ← l19 · l21 →

Lecture 21: Eigenvalues and Eigenvectors

概述

前 20 讲的核心问题一直是求解 $A\mathbf{x}=\mathbf{b}$：列空间、零空间、行列式、正交投影，全部围绕”输入 $\mathbf{b}$、输出 $\mathbf{x}$”展开。本讲换一个提问方式——固定矩阵 $A$，寻找那些在 $A$ 作用下方向不变的向量：

这样的 $\mathbf{x}$ 叫特征向量（eigenvector），伸缩倍数 $\lambda$ 叫特征值（eigenvalue）（德语 eigen = “自身的、固有的”）。求解的主线只有一条：$\det(A-\lambda I)=0$ 给出 $n$ 次特征多项式，先解出全部 $\lambda$，再对每个 $\lambda$ 解 $(A-\lambda I)\mathbf{x}=\mathbf{0}$。

本讲是 21–25 特征值板块的开篇，也是对角化 $A=S\Lambda S^{-1}$（讲次 22）的前提：只有先找出足够多的线性无关特征向量，才谈得上分解。

核心概念的几何直觉

特征向量与特征值（eigenvector / eigenvalue）

• 定义与目的：$A\mathbf{x}=\lambda\mathbf{x}$ 且 $\mathbf{x}\neq\mathbf{0}$。目的：把矩阵这个”复杂的拉伸+旋转”拆成若干条互不干扰的纯伸缩方向。一旦掌握这些方向，$A$ 反复作用（$A^k$、微分方程、马尔可夫链）都退化成对 $\lambda$ 做乘方或取指数。
• 几何直觉（它在空间中是什么样子？）：把 $A$ 想成一台对所有向量同时操作的机器。绝大多数向量的方向会被拧歪；但有那么几条特殊直线，机器只把它们沿自身方向拉长、压短或反向，一点不偏。$\lambda>1$ 拉长，$0<\lambda<1$ 压短，$\lambda<0$ 反向（同时伸缩 $\vert \lambda\vert $），$\lambda=0$ 表示该方向被彻底压扁到原点（此时 $A$ 必然奇异，$\det A=0$），$\lambda$ 为复数表示旋转型的作用（见下文旋转示例）。
• 具体示例：$A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$ 作用在 $\mathbf{x}=(1,1)^{\mathsf T}$ 上：

方向完全没变，只是长度乘 3，所以 $\lambda=3$、$\mathbf{x}=(1,1)^{\mathsf T}$ 是一个特征对。再试 $(1,-1)^{\mathsf T}$：$A(1,-1)^{\mathsf T}=(1,-1)^{\mathsf T}$，于是 $\lambda=1$。而 $(1,0)^{\mathsf T}\mapsto(2,1)^{\mathsf T}$ 方向变了，它不是特征向量。

特征方程与特征多项式（characteristic equation / polynomial）

• 定义与目的：$\det(A-\lambda I)=0$ 称为特征方程；左端展开后是关于 $\lambda$ 的 $n$ 次多项式，称特征多项式。它把”向量方程”变成”标量方程”，让求 $\lambda$ 成为解方程问题。
• 几何直觉：当 $\lambda$ 恰好取到某个特征值时，矩阵 $A-\lambda I$ 把某条非零方向压成零——即 $A-\lambda I$ 奇异，其列向量线性相关，几何上整个空间被压到一个”更低的维数”里（$\det$ 度量体积，体积为 0）。
• 具体示例：对上面的 $A$，$A-\lambda I=\begin{bmatrix}2-\lambda&1\\1&2-\lambda\end{bmatrix}$，$\det=(2-\lambda)^2-1=\lambda^2-4\lambda+3=(\lambda-3)(\lambda-1)$，根 $\lambda=3,1$。

特征空间（eigenspace）

• 定义与目的：固定 $\lambda$ 后，全部满足 $A\mathbf{x}=\lambda\mathbf{x}$ 的向量（含 $\mathbf{0}$）构成子空间 $\{\mathbf{x}: (A-\lambda I)\mathbf{x}=\mathbf{0}\}=N(A-\lambda I)$，称为该 $\lambda$ 的特征空间。
• 几何直觉：特征向量从来不是孤立的箭头，而是一条过原点的直线（或更高维的子空间）。$\lambda=1$ 的特征空间对应讲次 21 常说的”不动直线”。
• 具体示例：$A=\begin{bmatrix}3&1\\0&3\end{bmatrix}$ 时 $\lambda=3$ 的特征空间是 $N(A-3I)=N\begin{bmatrix}0&1\\0&0\end{bmatrix}=\mathrm{span}\{(1,0)^{\mathsf T}\}$，只有一维，尽管 $\lambda=3$ 是二重根。

迹与行列式的约束（trace / determinant）

• 定义与目的：对任意 $n\times n$ 矩阵，$\sum_i\lambda_i=\operatorname{tr}(A)$，$\prod_i\lambda_i=\det A$（复根按重数计）。这是最强的免费验算工具。
• 几何直觉：$\det$ 是体积缩放因子，而各特征方向独立缩放，总体积因子自然是各 $\lambda$ 之积；$\operatorname{tr}$ 则是特征多项式中 $(-\lambda)^{n-1}$ 项的系数。
• 具体示例：$A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$：$\operatorname{tr}=4=3+1$，$\det=3=3\times1$，与上面的根完全吻合。

ASCII 图 1：单位圆 → 椭圆，两条不变方向

        输入：单位圆 xᵀx = 1                输出：A·(单位圆)，A = [[2,1],[1,2]]
                 y                                      y
                 |                                      |
        · · · · · · · · ·                    · · · · · · · · · · · ·
        ·       |       ·                    ·          |          ·
        ·-------+-------· x      A ⟹         ·----------+----------· x
        ·       |       ·                    ·          |          ·
        · · · · · · · · ·                    · · · · · · · · · · · ·
              (1,0)                              (2, 1)
             (0,1)                               (1, 2)
        (1,1)/√2                                 (3,3)/√2 ≈ (2.12, 2.12)
       (1,−1)/√2                                 (1,−1)/√2 ≈ (0.71, −0.71)

   图中两条用 + 标出的"不变直线"（特征方向）：
       方向 u₁ = (1,1)/√2 ：长度 1 → 3      A u₁ = 3u₁    λ₁ = 3
       方向 u₂ = (1,−1)/√2：长度 1 → 1      A u₂ = 1u₂    λ₂ = 1
   其余方向既被拉长又被拧歪：例如 (1,0) → (2,1)，不再平行于 x 轴。
   圆变成椭圆，但椭圆的长短半轴方向恰是两条特征方向，长度就是 |λ|。

ASCII 图 2：剪切矩阵只有一个特征方向

   A = [[1,1],[0,1]]：λ = 1 二重，但只有一个独立特征向量 (1,0)ᵀ

        y                        y
        |    /                   |       /
        |   /                    |      /
        |  /     单位正方形      |     /     ← 竖直边被"推倒"
        | /                      |    /
        +------ x                +------ x
                                  唯一不变方向：x 轴（λ = 1）

   水平箭头 (1,0) → (1,0)：不动。        竖直箭头 (0,1) → (1,1)：方向变了！
   没有第二条直线方向保持平行 ⟹ 特征向量只有一个线性无关者 ⟹ 缺陷矩阵。

ASCII 图 3：旋转 90°，没有实的不变方向

   A = [[0,−1],[1,0]]：把平面逆时针转 90°

        y                          y
        |                          |
   (−1,0)·                     (0,1)·
        |                          |
  ------+------ x   A ⟹    -------+------- x
        |                          |
    (0,−1)·                     (1,0)·

   轨道：(1,0) → (0,1) → (−1,0) → (0,−1) → (1,0)，每个非零向量都转 90°，
   永远不可能与自己平行（除非是零向量）。特征方程 λ² + 1 = 0 给出 λ = ±i。
   复数特征值不是"没有答案"，而是"存在旋转分量"的精确编码。

计算步骤与手算演示

通用流程（$n\times n$）

1. 写出 $A-\lambda I$（只在对角线上减 $\lambda$）。
2. 算 $\det(A-\lambda I)$，展开成 $\lambda$ 的 $n$ 次多项式并因式分解。
3. 解 $\det(A-\lambda I)=0$ 得全部特征值（含重数与复数）。
4. 对每个 $\lambda$ 解 $(A-\lambda I)\mathbf{x}=\mathbf{0}$：做消元，找主元与自由变量，写出零空间的一组基。
5. 用 $\sum\lambda_i=\operatorname{tr}A$、$\prod\lambda_i=\det A$ 以及 $A\mathbf{x}=\lambda\mathbf{x}$ 回代验算。

2×2 的通用公式（背下来能省一半时间）

对 $A=\begin{bmatrix}a&b\\c&d\end{bmatrix}$：

所以 2×2 的特征值必满足

判别式 $\Delta=(\operatorname{tr}A)^2-4\det A$ 直接决定类型：$\Delta>0$ 两个不同实根；$\Delta=0$ 二重实根（缺陷与否再看秩）；$\Delta<0$ 一对共轭复根（含旋转）。由于 $\Delta=0$ 需要 $(\operatorname{tr}A)^2=4\det A$ 这一”恰好”条件，随机矩阵几乎总有两个不同特征值——重根本身就是稀有事件，这也解释了为什么缺陷矩阵在理论上棘手、在数值上却是”测度零”的。

2×2 的五个”秒算”模式（考试常客）：

  形状                特征值            特征向量              备注
  ---------------------------------------------------------------------
  三角/对角          对角元             坐标轴方向            立即读出
  对称 [[a,b],[b,d]] 两个实根           可选为互相正交        讲次 25
  旋转 [[c,-s],[s,c]] c ± is (c=cosθ)   (1,∓i) 复向量         无实不变方向
  投影 P = aaᵗ/aᵗa   1 和 0             a 方向 → 1            另一方向 → 0
  反射 (如 [[0,1],[1,0]]) 1 和 −1       镜像轴 → 1            法线 → −1
  [[a,b],[0,a]]      a 二重(缺陷)       (1,0)ᵀ 仅一个         需 Jordan 形

  反射示例 [[0,1],[1,0]] 验算：
      λ=1：(A−I) = [[-1,1],[1,-1]] → x = (1,1)ᵀ  镜像轴 y = x
      λ=−1：(A+I) = [[1,1],[1,1]]  → x = (1,−1)ᵀ 法线方向被翻向
  ---------------------------------------------------------------------

示例 1：$A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$（对称，两个实特征值）

步骤 1（构造 $A-\lambda I$）：

步骤 2（算行列式并因式分解）：

步骤 3（解根）：$\lambda_1=3,\ \lambda_2=1$。

步骤 4a（$\lambda_1=3$，解 $(A-3I)\mathbf{x}=\mathbf{0}$）：

$x_2$ 是自由变量，取 $x_2=1$ 得 $\mathbf{x}_1=\begin{bmatrix}1\\1\end{bmatrix}$。

步骤 4b（$\lambda_2=1$，解 $(A-I)\mathbf{x}=\mathbf{0}$）：

步骤 5（验算）： $A\mathbf{x}_1=(3,3)^{\mathsf T}=3\mathbf{x}_1$ ✓；$A\mathbf{x}_2=(1,-1)^{\mathsf T}=1\cdot\mathbf{x}_2$ ✓； $\operatorname{tr}A=4=3+1$ ✓；$\det A=3=3\times1$ ✓。 两个特征向量 $\mathbf{x}_1,\mathbf{x}_2$ 线性无关（也不正交时才有意义——这里恰好正交，因为 $A$ 对称，讲次 25）。

【计算机制解说】：为什么特征方程是 $\det(A-\lambda I)=0$，而不是别的？ 因为我们要的是非零解 $\mathbf{x}\neq\mathbf{0}$。方程 $(A-\lambda I)\mathbf{x}=\mathbf{0}$ 写成矩阵形式，问的是”零空间里有没有非零向量”。由讲次 6–8 的知识：

最后一步用讲次 18 的判据：方阵奇异 $\Leftrightarrow$ 行列式为 0 $\Leftrightarrow$ 不可逆。若忘了”非零”这一条，就会错误地写成 $A\mathbf{x}=\lambda\mathbf{x}$ 对 $\mathbf{x}=\mathbf{0}$ 永远成立，从而得出”任何 $\lambda$ 都行”的荒谬结论。所以 $\det$ 在这里的角色是：筛出那些让 $A-\lambda I$ 掉秩的 $\lambda$。

示例 2：$A=\begin{bmatrix}3&1\\0&3\end{bmatrix}$（重根 + 缺陷矩阵，预告讲次 28）

步骤 1–2（三角矩阵的行列式立刻可读）：

（三角矩阵的行列式 = 对角元之积，这是讲次 18 的性质，也是”三角矩阵特征值即对角元”的原因。）

步骤 3：$\lambda=3$，代数重数（algebraic multiplicity）为 2。

步骤 4：解 $(A-3I)\mathbf{x}=\mathbf{0}$：

步骤 5（验算）：$\operatorname{tr}A=6=3+3$ ✓；$\det A=9=3\times3$ ✓；但特征空间只有一维，几何重数（geometric multiplicity）$=1<2$。

结论：这样的矩阵叫缺陷矩阵（defective matrix），它无法对角化——因为只有 1 个线性无关的特征向量，凑不出 $S$ 的两列。讲次 22 会看到 $A=S\Lambda S^{-1}$ 失效，讲次 28 用 Jordan 形 $A=SJS^{-1}$ 补救。

【计算机制解说】：为什么重根时特征向量可能”不够多”？ 关键在于 $\lambda$ 的重数是多项式层面的（$(\lambda-3)^2$ 出现两次），而独立特征向量的个数是零空间维度层面的：$\dim N(A-\lambda I)=n-r$，其中 $r=\operatorname{rank}(A-\lambda I)$。本例 $\operatorname{rank}(A-3I)=1$，故 $\dim N=2-1=1$。一般有

$n$ 个特征值（按重数计）总能提供 $n$ 个独立特征向量当且仅当每个 $\lambda$ 的几何重数 $=$ 代数重数。缺陷矩阵正是后一种”零空间被挤小”的情形：$A-3I$ 只掉了一行秩，只挤出一条直线。

示例 3：$A=\begin{bmatrix}0&-1\\1&0\end{bmatrix}$（旋转 90°，复特征值）

步骤 1–2：

步骤 3：$\lambda^2+1=0\Longrightarrow \lambda_1=i,\ \lambda_2=-i$（一对共轭纯虚数）。

步骤 4（复特征向量，算出供体会）：对 $\lambda=i$，

验算：$A\begin{bmatrix}1\\-i\end{bmatrix}=\begin{bmatrix}0\cdot1+(-1)(-i)\\1\cdot1+0\end{bmatrix}=\begin{bmatrix}i\\1\end{bmatrix}=i\begin{bmatrix}1\\-i\end{bmatrix}$ ✓（注意 $i\cdot(-i)=1$）。

步骤 5（验算）：$\operatorname{tr}A=0=i+(-i)$ ✓，即 $2a=2\cos 90^\circ=0$ ✓；$\det A=0\cdot0-(-1)(1)=1$，而 $\lambda_1\lambda_2=i\cdot(-i)=-i^2=1$ ✓，即 $a^2+b^2=0^2+1^2=1$ ✓。

一般旋转角 $\theta$：$A=\begin{bmatrix}\cos\theta&-\sin\theta\\\sin\theta&\cos\theta\end{bmatrix}$，

$\theta=90^\circ$ 时正是 $\pm i$；$\theta=0$ 时 $\lambda=1,1$（恒等矩阵，每个方向都不变）；$\theta=180^\circ$ 时 $\lambda=-1,-1$（$A=-I$，每个方向都反向）。

【计算机制解说】：复数特征值到底在说什么？ 它说”这个线性变换里含有无法用实方向抵消的旋转成分“。一个实矩阵作用在实向量上，输出仍是实向量；但这并不意味着它必须有一条实的”不动直线”。旋转 $90^\circ$ 就是反例：任何非零向量转过去都不再平行于自己。代数上，奇数次实多项式必有实根，但偶数次可以没有——2×2 的情形可以只有一对复根。同时因为 $A$ 是实矩阵，特征多项式的系数全为实数，所以复根必然成共轭对 $\lambda,\bar\lambda$ 出现（$\lambda=a+bi,\bar\lambda=a-bi$），和 $\vert \lambda\vert ^2=a^2+b^2=\det A$、$2a=\operatorname{tr}A$。本例 $a=0,b=1$：旋转矩阵的 $\det=1$（保面积）、$\operatorname{tr}=0$（无净伸缩），完全吻合。

示例 4（可选，3×3）：上三角矩阵 $A=\begin{bmatrix}2&1&0\\0&3&1\\0&0&4\end{bmatrix}$

步骤 1–2：$A-\lambda I$ 仍是上三角，对角元 $2-\lambda,3-\lambda,4-\lambda$：

步骤 4a（$\lambda=2$）：$A-2I=\begin{bmatrix}0&1&0\\0&1&1\\0&0&2\end{bmatrix}$。方程 $x_2=0$，$x_2+x_3=0\Rightarrow x_3=0$，$2x_3=0$；$x_1$ 自由 ⟹ $\mathbf{x}_1=(1,0,0)^{\mathsf T}$。

步骤 4b（$\lambda=3$）：$A-3I=\begin{bmatrix}-1&1&0\\0&0&1\\0&0&1\end{bmatrix}$。$-x_1+x_2=0\Rightarrow x_1=x_2$；$x_3=0$；$x_2$ 自由 ⟹ $\mathbf{x}_2=(1,1,0)^{\mathsf T}$。

步骤 4c（$\lambda=4$）：$A-4I=\begin{bmatrix}-2&1&0\\0&-1&1\\0&0&0\end{bmatrix}$。$-2x_1+x_2=0\Rightarrow x_2=2x_1$；$-x_2+x_3=0\Rightarrow x_3=2x_1$；取 $x_1=1$ ⟹ $\mathbf{x}_3=(1,2,2)^{\mathsf T}$。

步骤 5（验算）：$A\mathbf{x}_3=(2+2,\ 6+2,\ 8)^{\mathsf T}=(4,8,8)^{\mathsf T}=4(1,2,2)^{\mathsf T}$ ✓； $\operatorname{tr}A=2+3+4=9$ ✓；$\det A=2\cdot3\cdot4=24$ ✓；三个特征向量线性无关（三角结构保证），故这个 3×3 示例可以对角化。

【计算机制解说】：为什么三角/对角矩阵的特征值就是对角元？ 因为三角矩阵的行列式等于对角元之积：$\det(A-\lambda I)=\prod_i(a_{ii}-\lambda)$。根显然是 $\lambda=a_{ii}$。几何上，三角矩阵”分层作用”——沿第一个坐标方向没有来自其他分量的干扰，所以坐标轴方向天然是各层的不变方向。这也给出一条重要推论：$\det A=0\Longleftrightarrow A$ 至少有一个特征值为 0（讲次 18 的可逆性判据与特征值判据在此合流）。

四个示例的横向对比（一张表看清”够不够”）

  矩阵                  特征值        几何重数(每个λ)  独立特征向量总数  可对角化?
  --------------------------------------------------------------------------
  [[2,1],[1,2]]         3, 1          1, 1              2 = n             ✓
  [[3,1],[0,3]]         3, 3          1 (代数重数 2)     1 < n = 2         ✗ 缺陷
  [[0,-1],[1,0]]        i, −i         1, 1              2 (复向量)        ✓ 但 S 复
  [[2,1,0],[0,3,1],[0,0,4]] 2,3,4     1,1,1             3 = n             ✓
  [[2,0],[0,2]]         2, 2          2 (整个平面)       2 = n             ✓
  --------------------------------------------------------------------------
  判据：独立特征向量总数 = Σ dim N(A−λᵢI) = n  ⟺  可对角化（讲次 22）
  注意第三行：复特征值不阻碍对角化，只是 S 与 Λ 进入复数域。

相似矩阵共享特征值（为讲次 22、30 埋线）

若 $B=M^{-1}AM$（$M$ 可逆），则 $A$、$B$ 有完全相同的特征值。推导只有两行：

特征向量被 $M^{-1}$ 搬运，但 $\lambda$ 原封不动。这解释了为什么 $\operatorname{tr}$ 与 $\det$ 在相似变换下不变（它们只是 $\lambda$ 的和与积），也解释了讲次 22 的对角化：$A$ 与 $\Lambda$ 相似，所以我们先把 $A$ 化成最简单的相似代表 $\Lambda$ 再做一切计算。

特征值与幂次、指数的接口（只列结论，细节留给讲次 22–23）

• 离散动力系统 $u_{k+1}=Au_k$：把 $u_0$ 按特征向量展开 $u_0=\sum c_i\mathbf{x}i$，则 $u_k=\sum c_i\lambda_i^k\mathbf{x}_i$。长期行为由最大 $\vert \lambda_i\vert $ 统治：$\vert \lambda{\max}\vert >1$ 爆炸、$<1$ 衰减到 $\mathbf{0}$、$=1$ 趋于稳态。这正是 Fibonacci 增长率 $\varphi\approx1.618$ 的来源（讲次 22）。
• 连续动力系统 $\dfrac{\mathrm{d}u}{\mathrm{d}t}=Au$：解为 $u(t)=\sum c_ie^{\lambda_i t}\mathbf{x}_i$，稳定性由 $\operatorname{Re}\lambda_i<0$ 决定。复特征值给出振荡（虚部 = 频率，实部 = 衰减率），这一讲里”看起来只是数学技巧”的复数在此变成物理必需（讲次 23）。
• 马尔可夫矩阵：每列和为 1 $\Longrightarrow$ $\lambda=1$ 必是特征值，其（非负）特征向量就是稳态分布（讲次 24）。
• 对称矩阵：$\lambda_i$ 全实、特征向量两两正交，可写成 $A=Q\Lambda Q^{\mathsf T}=\sum_i\lambda_i\mathbf{q}_i\mathbf{q}_i^{\mathsf T}$——一组”互相垂直的不变方向”，是本课程最干净的图像（讲次 25）。

【计算机制解说】：为什么”$\lambda$ 描述长期增长率”这件事值得反复强调？ 因为矩阵幂 $A^k$ 在一般情况下极难计算（$k$ 次矩阵乘法），但在特征向量基下它变成 $n$ 个标量的幂 $\lambda_i^k$——矩阵问题被拆成 $n$ 个独立的一维问题。这就是特征值方法的全部价值：找一个坐标系，让耦合的、互相干扰的变换解耦成互不相干的纯伸缩。一旦接受这个视角，$A=S\Lambda S^{-1}$（讲次 22）、$e^{At}=Se^{\Lambda t}S^{-1}$（讲次 23）、$A=Q\Lambda Q^{\mathsf T}$（讲次 25）全都是同一句话的三次重述。

示例 5（应用预告，讲次 22 详算）：Fibonacci 矩阵 $F=\begin{bmatrix}1&1\\1&0\end{bmatrix}$

步骤 1–2：$\operatorname{tr}F=1$，$\det F=0-1=-1$，故

步骤 3：正的根正是黄金比 $\varphi=\frac{1+\sqrt5}{2}$，负的根 $\psi=\frac{1-\sqrt5}{2}=-1/\varphi$。 步骤 5（验算）：$\lambda_1\lambda_2=-1=\det F$ ✓；$\lambda_1+\lambda_2=1=\operatorname{tr}F$ ✓。 含义：Fibonacci 递推 $a_{k+1}=a_k+a_{k-1}$ 写成 $u_{k+1}=Fu_k$，故 $a_k\approx c\,\varphi^{\,k}$——增长率为 $\varphi$。因为 $\vert \psi\vert <1$，$k$ 大时 $\psi^k\to0$，这就是为什么 $a_{k+1}/a_k\to\varphi$。一个纯组合的递推，最终由特征值给出精确增长率。

矩阵分解的核心思想

本讲不直接引入新分解，它是分解链条上的一级台阶：

• $A=S\Lambda S^{-1}$（讲次 22 对角化）——本讲的全部工作是为它准备原料。$S$ 的每一列就是一个特征向量，$\Lambda$ 是对角线上排着对应特征值的对角阵。等价地 $AS=S\Lambda$：矩阵乘 $S$ 的每一列分别被自己的 $\lambda$ 伸缩。前提是本讲反复强调的那句话：必须有 $n$ 个线性无关的特征向量。示例 2 的缺陷矩阵正是在这里卡住。
• $A=Q\Lambda Q^{\mathsf T}$（讲次 25 谱定理）——当 $A$ 是对称矩阵时，特征向量可以选成两两正交的单位向量，$S$ 升级为正交矩阵 $Q$，$S^{-1}$ 变成 $Q^{\mathsf T}$。这是最漂亮的一类分解，示例 1 已经露出苗头（$\mathbf{x}_1\perp\mathbf{x}_2$）。
• $A^k=S\Lambda^k S^{-1}$——分解的价值所在：幂次从矩阵乘法降为标量乘方，$u_{k+1}=Au_k$ 的解直接写成 $u_k=\sum c_i\lambda_i^k\mathbf{x}_i$。稳定性判据立刻变成 $\vert \lambda_i\vert <1$（讲次 22）。
• $A=U\Sigma V^{\mathsf T}$（讲次 29 SVD）——对不可对角化的矩阵也永远成立；$\sigma_i=\sqrt{\lambda_i(A^{\mathsf T}A)}$，SVD 的奇异值就是本讲概念”借壳”到任意矩阵上的版本。

分解的链条：本讲处在哪一环

   A = LU        ← 讲次 2      消元，解方程 Ax=b
   A = QR        ← 讲次 17     正交基，最小二乘
   A = SΛS⁻¹     ← 讲次 22     【本讲提供原料】n 个线性无关特征向量
        │                        ├─ A 对称时升级为 A = QΛQᵀ   （讲次 25）
        │                        └─ A 缺陷时降级为 A = SJS⁻¹  （讲次 28）
   A = UΣVᵀ      ← 讲次 29     任意矩阵都能做：σ = √λ(AᵀA)

   关键依赖：本讲算不出"足够多的特征向量"，整条特征值支线全部崩塌。
   判别式只有一个：Σ dim N(A − λᵢI) 是否等于 n。

与其他讲次的关联

• 讲次 18–20（行列式）：本讲把行列式当作求根工具使用——$\det(A-\lambda I)=0$；三角阵行列式 = 对角元之积，直接给出三角阵的特征值；$\det A=\prod\lambda_i$ 把可逆性判据与”0 是不是特征值”联系起来。
• 讲次 6–8（四个基本子空间）：特征向量所在的特征空间就是零空间 $N(A-\lambda I)$，$\dim N(A-\lambda I)=n-\operatorname{rank}(A-\lambda I)$ 是判断”特征向量够不够”的唯一标尺。
• 讲次 22（对角化与 $A^k$）：直接的下一讲。$A=S\Lambda S^{-1}$ 的可行性由本讲的重数比较决定；$A^k\to0\Leftrightarrow$ 所有 $\vert \lambda\vert <1$。
• 讲次 23（微分方程 $\mathrm{d}u/\mathrm{d}t=Au$）：解为 $u(t)=\sum c_ie^{\lambda_i t}\mathbf{x}_i$，稳定性由 $\operatorname{Re}\lambda_i<0$ 决定（复特征值在此真正登场）。
• 讲次 24（马尔可夫矩阵）：必有一个 $\lambda=1$，稳态向量就是它的特征向量。
• 讲次 25（对称矩阵与正定）：实对称矩阵的 $\lambda$ 全为实数、特征向量可选为正交；正定 $\Leftrightarrow$ 所有 $\lambda_i>0$。
• 讲次 28（Jordan 形）：示例 2 的缺陷矩阵在那里被彻底处理。
• 讲次 29（SVD）：奇异值 $\sigma=\sqrt{\lambda(A^{\mathsf T}A)}$，是特征值概念对非方阵的推广。

关键要点

1. 定义式：$A\mathbf{x}=\lambda\mathbf{x}$，$\mathbf{x}\neq\mathbf{0}$。求法三步走：$A-\lambda I$ → $\det(A-\lambda I)=0$ 解 $\lambda$ → 解 $(A-\lambda I)\mathbf{x}=\mathbf{0}$ 得特征向量。
2. 两条免费验算公式：$\sum_i\lambda_i=\operatorname{tr}(A)$，$\prod_i\lambda_i=\det A$。任何算出的特征值都要先过这两关。
3. 三角 / 对角矩阵的特征值就是对角元；特别地 $\det A=0\Longleftrightarrow \lambda=0$ 是特征值 $\Longleftrightarrow A$ 奇异。
4. “$n$ 个特征值”与”$n$ 个独立特征向量”是两回事：前者按重数永远成立，后者要求每个 $\lambda$ 的几何重数 = 代数重数；否则矩阵缺陷、不可对角化。
5. 实矩阵允许复特征值，且成共轭对出现（$\lambda=a\pm bi$，则 $2a=\operatorname{tr}A$、$a^2+b^2=\det A$）；对称矩阵是唯一”保证全实”的重要类别。

常见误区与注意事项

1. 以为特征向量唯一。 特征向量从不唯一：$\mathbf{x}$ 可以乘任意非零常数，$2\mathbf{x}$、$-\mathbf{x}$、$\frac{1}{3}\mathbf{x}$ 都是同一特征向量。答案应该写成”特征空间的一组基”或”$\mathrm{span}\{\cdot\}$”的形式，而不是一个孤立箭头。此外不要漏掉 $\lambda=0$ 时特征空间也可能不止一维。
2. 以为重根一定不可对角化。 反例：$A=\begin{bmatrix}2&0\\0&2\end{bmatrix}$，$\det(A-\lambda I)=(2-\lambda)^2$ 二重根，但 $A-2I=0$ 的零空间是整个 $\mathbb{R}^2$，几何重数 $=2=$ 代数重数，可以对角化（实际上它本身就是 $\Lambda=2I$）。重根只是”可能”缺陷，判据永远是 $\dim N(A-\lambda I)$ 而不是重数。同理，$A=\begin{bmatrix}2&0\\0&3\end{bmatrix}$ 有两个不同特征值但只有两族特征向量，也不比对称矩阵特殊。
3. 忘记复特征值是合法答案。 遇到 $\lambda^2+1=0$ 就写”无特征值”是错的；正确答案是 $\lambda=\pm i$，它精确描述了旋转。只有实对称矩阵才保证不出现复特征值。
4. $\det(A-\lambda I)$ 与 $\det(\lambda I-A)$ 的符号混淆。 两者相差因子 $(-1)^n$：$\det(\lambda I-A)=(-1)^n\det(A-\lambda I)$，多项式不同但根完全相同，不会影响特征值。不过用 $\det(A-\lambda I)$ 时 $\lambda^2$ 项系数为 $+1$，与 $\lambda^2-\operatorname{tr}\lambda+\det$ 的形式一致，更不容易出错；写特征向量方程时也必须与所选的 $\lambda I-A$ 或 $A-\lambda I$ 保持一致的方向。
5. 把特征值的”加法”当成线性。 $A+B$ 的特征值一般不等于 $A$、$B$ 特征值之和；$2A$ 的特征值才是 $2\lambda$，$A+2I$ 的特征值才是 $\lambda+2$（同特征向量）。只有相似矩阵（$B=M^{-1}AM$）才共享同一组特征值——这提醒我们特征值属于线性变换自身，与所选基无关（讲次 30–33）。
6. 算完 $\lambda$ 就停手。 本讲的产出是特征对，$(A-\lambda I)\mathbf{x}=\mathbf{0}$ 的零空间必须显式求出；只列特征值而不写特征向量，讲次 22 的 $S$ 就无从下手。
7. 把”特征值都是实数”当成普遍事实。 只有对称矩阵（更一般地，实正规矩阵）有实特征值保证；一般实矩阵完全可以只有复特征值（旋转）。同样易错的是把 $A^k$ 中的 $\lambda^k$ 写成”取绝对值”——$(-0.9)^k$ 会正负交替地趋于 0，$(-1.1)^k$ 会正负交替地爆炸，符号本身携带振荡信息。

思考题（带答案）

Q1. 求 $A=\begin{bmatrix}4&1\\2&3\end{bmatrix}$ 的全部特征值与一组特征向量，并用迹与行列式验算。

Q2.（概念题）(a) 用自己的话解释为什么特征方程是 $\det(A-\lambda I)=0$，而不是 $\det(A)=0$ 或别的条件。(b) $A=\begin{bmatrix}2&0\\0&2\end{bmatrix}$ 的特征值 2 是二重的，它能被对角化吗？与 $\begin{bmatrix}3&1\\0&3\end{bmatrix}$ 相比差别究竟在哪里？

Q3. 已知某 $3\times3$ 矩阵 $A$ 的三个特征值为 $\lambda=1,2,3$，且对应特征向量 $\mathbf{x}_1,\mathbf{x}_2,\mathbf{x}_3$ 线性无关。求： (a) $\operatorname{tr}(A)$ 与 $\det(A)$； (b) $A^{-1}$ 的特征值与特征向量； (c) $A+2I$ 的特征值与特征向量； (d) $A^{k}$ 的特征值与特征向量； (e) $A$ 可逆吗？$A\mathbf{x}=\mathbf{b}$ 对每个 $\mathbf{b}$ 是否唯一可解？