# 特征值与特征向量

> IB 数学 应用与解读 HL · IB Math AI HL
> 来源: https://www.owlsprep.com/zh/study/ib-math-ai-hl-u1-eigenvalues-and-eigenvectors/

本模块定义特征值与特征向量，推导特征方程，讲解完整的计算流程，同时覆盖IB AI HL专属的线性变换实际应用场景。

**先修:** [2×2和3×3矩阵的算术运算与行列式计算](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u1-matrix-operations/); [通过高斯消元法求解线性方程组](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u1-gaussian-elimination/)

## 学习目标

- 定义2×2和3×2方阵的特征值与特征向量
- 推导并求解特征方程，得到所有实特征值
- 为每个特征值计算对应的非零特征向量
- 验证特征向量-特征值配对，并将相关性质应用于变换问题

## 特征值-特征向量配对的核心定义

对于任意n×n方阵A，特征向量\( \boldsymbol{v} \)是一个非零向量，当它与A相乘时，返回的结果是自身的标量倍数。这个标量倍数就是对应的特征值λ。

**特征值-特征向量恒等式** — 定义矩阵A、其特征值λ和非零特征向量v之间关系的核心恒等式

*记法:* A\boldsymbol{v} = \lambda \boldsymbol{v}

*例:* 对于矩阵\( A = \begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix} \)，\( \lambda = 2 \)和\( \boldsymbol{v} = \begin{pmatrix}1 \\ 0\end{pmatrix} \)满足该恒等式

**例题:** 验证\( \boldsymbol{v} = \begin{pmatrix} 2 \\ 1 \end{pmatrix} \)是\( A = \begin{pmatrix} 3 & 2 \\ 1 & 4 \end{pmatrix} \)的特征向量，并求出其对应的特征值

1. 直接计算乘积A v
2. $$A\boldsymbol{v} = \begin{pmatrix} 3 & 2 \\ 1 & 4 \end{pmatrix} \begin{pmatrix} 2 \\ 1 \end{pmatrix} = \begin{pmatrix} 8 \\ 6 \end{pmatrix}$$
3. 将得到的向量改写为原向量v的标量倍数形式
4. $$\begin{pmatrix} 8 \\ 6 \end{pmatrix} = 4 \begin{pmatrix} 2 \\ 1 \end{pmatrix}$$
5. 确认该标量倍数就是特征值：λ = 4

**概念自测**

测试你对核心恒等式的理解：

1. 以下哪个向量是\( \begin{pmatrix} 1 & 0 \\ 0 & -2 \end{pmatrix} \)的特征向量？

   - \( \begin{pmatrix} 1 \\ 1 \end{pmatrix} \)
   - \( \begin{pmatrix} 0 \\ 1 \end{pmatrix} \)
   - \( \begin{pmatrix} 2 \\ 2 \end{pmatrix} \)

   *解析:* 将该向量与矩阵相乘得到的结果是原向量的-2倍，满足特征向量恒等式

## 推导特征方程

对核心特征向量恒等式进行移项变形，我们可以推导出一个多项式方程，其根就是矩阵A的所有特征值。该推导基于以下性质：非零向量v能够满足\( (A - \lambda I) \boldsymbol{v} = 0 \)的前提是矩阵\( A - \lambda I \)是奇异矩阵（行列式等于0）。

**推导:** 推导方阵A的特征方程

*起点:* A\boldsymbol{v} = \lambda \boldsymbol{v}

1. 等式两边同时减去\( \lambda \boldsymbol{v} \)：\( A\boldsymbol{v} - \lambda \boldsymbol{v} = 0 \)
2. 提取单位矩阵I对公项进行因式分解：\( (A - \lambda I) \boldsymbol{v} = 0 \)
3. 要存在非零向量v，矩阵\( A - \lambda I \)不能是可逆矩阵，因此它的行列式等于0
4. 由此得到特征方程：\( \det(A - \lambda I) = 0 \)

*结论:* 这个n次多项式的根就是n×n矩阵A的所有特征值

**例题:** 求2×2矩阵\( A = \begin{pmatrix} 5 & 2 \\ 2 & 5 \end{pmatrix} \)的特征方程

1. 构造矩阵\( A - \lambda I \)
2. $$A - \lambda I = \begin{pmatrix} 5 - \lambda & 2 \\ 2 & 5 - \lambda \end{pmatrix}$$
3. 计算该矩阵的行列式
4. $$\det(A - \lambda I) = (5 - \lambda)^2 - 4 = \lambda^2 -10 \lambda +21$$
5. 令行列式等于0，得到特征方程
6. $$\lambda^2 - 10 \lambda + 21 = 0$$

## 由特征值计算特征向量

当你求解特征方程得到所有特征值后，将每个特征值代回方程组\( (A - \lambda I) \boldsymbol{v} = 0 \)，即可求解对应的特征向量。一个有效特征向量的所有非零标量倍数也都是该特征值对应的有效特征向量。

> **tip**
>
> IB考试阅卷人接受你计算得到的特征向量的任意非零标量倍数，因此你可以将结果简化为整数值以获得满分

**例题:** 求矩阵\( A = \begin{pmatrix} 5 & 2 \\ 2 & 5 \end{pmatrix} \)的所有特征向量，已知其特征方程为\( \lambda^2 - 10 \lambda + 21 = 0 \)

1. 求解特征方程，得到特征值λ = 3和λ =7
2. 将λ=3代入\( (A - \lambda I) \boldsymbol{v} = 0 \)
3. $$\begin{pmatrix} 2 & 2 \\ 2 & 2 \end{pmatrix} \begin{pmatrix} v_1 \\ v_2 \end{pmatrix} = 0 \implies 2v_1 + 2v_2 = 0 \implies v_1 = -v_2$$
4. 简化得到λ=3对应的特征向量：\( k \begin{pmatrix} 1 \\ -1 \end{pmatrix} \)，其中k ≠ 0
5. 将λ=7代入方程组
6. $$\begin{pmatrix} -2 & 2 \\ 2 & -2 \end{pmatrix} \begin{pmatrix} v_1 \\ v_2 \end{pmatrix} = 0 \implies -2v_1 + 2v_2 = 0 \implies v_1 = v_2$$
7. 简化得到λ=7对应的特征向量：\( m \begin{pmatrix} 1 \\ 1 \end{pmatrix} \)，其中m ≠ 0

## 面向考试的特征值性质

- 矩阵A所有特征值的和等于A的迹（对角元素之和）
- 矩阵A所有特征值的乘积等于A的行列式
- 存在零特征值的矩阵是奇异矩阵（不可逆）
- 对角矩阵的特征值恰好就是其主对角线上的所有元素

**考试命令词**

本主题常见的IB指令术语：

- **Show that** — 你必须显式地将向量和标量代入A v = λ v恒等式来证明结果 *(Show that \( \lambda = 5 \)是矩阵A的特征值)*

- **Hence find** — 你必须使用之前计算得到的特征值来求特征向量，不接受其他替代方法

## 常见错误

- **错误做法:** 在计算矩阵A的行列式之前忘记减去λI
  - 原因: 得到的多项式不含λ，不是有效的特征方程
  - 正确做法: 在展开行列式之前，先完整写出A - λI矩阵
- **错误做法:** 求解时将特征向量代回原矩阵A而不是A - λI
  - 原因: 会得到一个过约束的方程组，无法正确求解
  - 正确做法: 始终使用(A - λI) v = 0方程组来求解特征向量
- **错误做法:** 提交零向量作为特征向量
  - 原因: IB教学大纲明确定义特征向量为非零向量，零向量不得分
  - 正确做法: 明确说明标量倍数的常数不能等于零
- **错误做法:** 展开行列式时算错特征多项式的符号
  - 原因: 得到的特征值不正确，无法通过迹和乘积的校验
  - 正确做法: 通过校验特征值之和等于矩阵的迹来验证结果
- **错误做法:** 使用小数近似值表示特征值，而不是精确根式形式
  - 原因: IB阅卷人会对要求精确计算特征值的题目扣去近似答案的分数
  - 正确做法: 除非题目明确要求取整，否则特征值保留精确根式形式

## 速查表

| 任务 | 2×2矩阵工作流程 | 3×3矩阵工作流程 | 快速校验 |
| --- | --- | --- | --- |
| 求特征方程 | 展开det(A - λI)得到二次多项式 | 展开det(A - λI)得到三次多项式 | 根的和等于矩阵A的迹 |
| 求解特征值 | 因式分解或使用二次求根公式 | 使用有理根定理后对剩余二次式因式分解 | 根的乘积等于矩阵A的行列式 |
| 求特征向量 | 求解1个线性方程得到分量的比值 | 求解齐次三变量方程组 | 对你的配对验证A v = λ v |
| 简化特征向量 | 化简为最小整数分量形式 | 化简为最小整数分量形式 | 任意非零倍数都是有效的 |

## 下一步

掌握特征值与特征向量是IB AI HL后续高频出现在Paper 3综合题中的进阶内容的关键基础。接下来你会应用这些技能对矩阵进行对角化，这可以简化矩阵的高次幂运算，用于迭代模型计算。这些工具也是分析马尔可夫链稳态的核心内容，是种群动态和预测建模评估中占比很高的应用主题。你还会在学习2D和3D图形的几何变换时重新用到特征向量，特征向量定义了变换下方向保持不变的直线。

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ib-math-ai-hl-u1-eigenvalues-and-eigenvectors/