线性代数高效学习指南（特征值与特征向量篇）：矩阵的”灵魂” 说实话，特征值和特征向量是线性代数里最深奥的部分。 它抽象、难懂，但应用极广——从主成分分析到微分方程，从量子力学到机器学习，都离不开特征值。 今天学长分享特征值与特征向量的学习方法，帮你拿下这个硬骨头。 特征值与特征向量的定义 基本定义 特征值： 设A是n阶矩阵，若存在数λ和n维非零向量x，使得Ax = λx，则称λ是A的特征值，x是A的特征向量。 几何意义：
特征向量在变换后方向不变（不共线则反方向），只伸缩λ倍。
代数意义：
Ax = λx → (A-λE)x = 0
学长说 特征向量的定义就一句话：在矩阵变换下方向不变的向量。 记住这个，几何意义就理解了。
特征多项式 特征方程： |A - λE| = 0
特征多项式： f(λ) = |A - λE| = (-1)
重要结论：
λ₁+λ₂+…+λₙ = tr(A) = a₁₁+a₂₂+…+aₙₙ （迹） λ₁·λ₂·…·λₙ = |A| （行列式）
学长说 特征值之和等于矩阵的迹，特征值之积等于行列式。 这是检验特征值是否算错的好方法！
特征值与特征向量的计算 计算步骤 Step 1：求特征方程 |A-λE| = 0 Step 2：解特征方程，得到特征值λ₁,λ₂,…,λₙ Step 3：对于每个λᵢ，解方程组 (A-λᵢE)x = 0 Step 4：求基础解系，即为特征向量
具体计算 例：求矩阵A = [[2,1],[1,2]]的特征值和特征向量 Step 1：特征方程 |A-λE| = |[2-λ, 1],[1, 2-λ]| = (2-λ)(2-λ) - 1 = (2-λ)² - 1 = λ² - 4λ + 3 = (λ-1)(λ-3) = 0
Step 2：特征值 λ₁ = 1, λ₂ = 3
Step 3：求特征向量
对于λ₁ = 1: (A-E)x = 0 [1, 1],[1, 1] → [1, 1],[0, 0] x₁ + x₂ = 0 x = k[-1, 1]^T (k≠0)
对于λ₂ = 3: (A-3E)x = 0 [-1, 1],[1, -1] → [1, -1],[0, 0] x₁ - x₂ = 0 x = k[1, 1]^T (k≠0)
学长说 特征向量不唯一（任意非零倍数都是）。 但同一个特征值的特征向量共面（线性相关）。
特征值的性质 代数性质
性质说明同一特征值的特征向量不唯一任意非零倍数不同特征值的特征向量线性无关重要结论k重特征值最多有k个线性无关特征向量可能是0λ=0是特征值 ⟺ A不可逆可逆判别A可逆 ⟺ 特征值全非零可逆判别 迹与行列式 迹（trace）： tr(A) = Σλᵢ = Σaᵢᵢ
行列式： |A| = Πλᵢ
重要推论：
|A| ≠ 0 ⟺ 0不是特征值 tr(AB) = tr(BA) tr(A+B) = tr(A) + tr(B)
相似矩阵 相似定义 定义： 若存在可逆矩阵P，使得P⁻¹AP = B，则称A相似于B，记作A～B 性质：
反身性：A～A 对称性：A～B ⟹ B～A 传递性：A～B, B～C ⟹ A～C
重要定理： A～B ⟹
- |A| = |B|
- tr(A) = tr(B)
- 特征值相同（重数也相同）
- r(A) = r(B)
学长说 相似矩阵的本质：同一个线性变换在不同基下的表示。 它们有相同的”本质”，所以特征值相同。
矩阵对角化 可对角化条件： A可对角化 ⟺ A有n个线性无关特征向量
对角化步骤： Step 1：求A的n个线性无关特征向量 Step 2：以特征向量为列构成矩阵P Step 3：Λ = P⁻¹AP = diag(λ₁,λ₂,…,λₙ)
例： A = [[2,1],[1,2]] 特征值：λ₁=1, λ₂=3 特征向量：p₁=[-1,1], p₂=[1,1]
P = [[-1,1],[1,1]] P⁻¹ = (1/2)[[1,-1],[-1,-1]]
Λ = P⁻¹AP = [[1,0],[0,3]]
实对称矩阵的对角化 特殊性质：
实对称矩阵必可对角化 必有n个线性无关特征向量 不同特征值的特征向量正交
正交对角化： 存在正交矩阵Q，使得 Q⁻¹AQ = Q^T A Q = Λ
步骤：
求特征值和特征向量 特征向量正交规范化（施密特正交化） 以正交规范特征向量构成正交矩阵Q Λ = Q^T A Q
学长说 实对称矩阵的对角化是考试重点。 施密特正交化是难点，但步骤固定，多练就行。
二次型 二次型的定义 二次型： 含n个变量的二次齐次多项式 矩阵表示： f(x₁,x₂,…,xₙ) = x^T A x 其中A是对称矩阵
例： f(x,y) = x² + 2xy + y² = [x, y] [[1, 1],[1, 1]] [x],[y]
二次型的标准形 定义： 只含平方项的二次型 方法1：配方法 例： f = x₁² + 2x₁x₂ + x₂² + x₂x₃ = (x₁ + x₂)² + x₂x₃ = (x₁ + x₂)² + [(x₂ + x₃/2)² - (x₃/2)²] = y₁² + y₂² - y₃²
其中： y₁ = x₁ + x₂ y₂ = x₂ + x₃/2 y₃ = x₃
方法2：正交变换法 f = x^T A x → y^T Λ y 其中x = Qy，Q是正交矩阵
步骤：
求A的特征值和特征向量 正交规范化构成Q 写出标准形
正定二次型 定义： 对任意非零x，x^T Ax > 0 判别方法：
方法条件特征值所有特征值 > 0顺序主子式所有顺序主子式 > 0定义对任意x≠0，f>0 顺序主子式：
阶数主子式1阶a₁₁2阶3阶
学长说 正定二次型的判别是考试重点。 顺序主子式法最常用，也最简单。
特征值的应用 求矩阵的幂 方法： A = PΛP⁻¹ A^k = PΛ^k P⁻¹ = P diag(λ₁^k,…,λₙ^k) P⁻¹
例： A = [[2,1],[1,2]], A = PΛP⁻¹ A^k = P diag(1^k, 3^k) P⁻¹ = P diag(1, 3^k) P⁻¹
求矩阵指数（微分方程） 在微分方程中的应用： x’ = Ax → x(t) = e^(At) x(0) e^(At) = P e^(Λt) P⁻¹
主成分分析（PCA） 原理：
数据协方差矩阵的特征值反映主成分的方差 特征向量是主成分的方向
量子力学 定态薛定谔方程： Hψ = Eψ
E是哈密顿算符H的特征值。 学长私房话 说实话，特征值和特征向量是线性代数里最”高级”的内容。 学好了，说明你对线性代数有了深刻理解。
学长的学习方法：
理解定义
几何意义要理解 特征向量在变换下方向不变
熟练计算
求特征值、解方程组要多练 施密特正交化要掌握
掌握性质
迹与行列式的关系 相似矩阵的性质
理解应用
对角化、二次型 了解实际应用场景
学长踩过的坑 我大一下学特征值，总是把特征向量算错。 后来发现，问题出在解方程组时漏掉自由变量。 用基础解系表示时，一定要把所有自由变量写出来。 细节决定成败！
特征值和特征向量是线性代数最美的部分。 它揭示了矩阵的”本质”——特征。 学好了，你就能真正理解线性代数的精髓！
继续阅读导航 上级目录
全库目录索引 0001大一核心信息差 目录索引 12.大学基础公共课 目录索引
同目录索引
12.大学基础公共课 目录索引
跨库关联
暂无明确跨库关联
同主题推荐
线性代数满分指南 线性代数高效学习指南（矩阵篇） C语言高效学习指南 思政课时政热点关联法 Java高效学习指南 思政课高效学习指南（习近平思想篇） 编程语言高效学习指南 大学化学高效学习指南 大学化学高效学习指南（理论篇） 大学化学高效学习指南（实验篇）
相关标签
大一核心信息差 大学基础公共课
下一步阅读
下一篇：线性代数满分指南