特征向量在问什么

矩阵是作用在向量上的函数：输入 $x$，输出 $Ax$。大多数向量的方向会被改变。少数特殊向量的方向不变，只是长度被缩放——这些就是特征向量：

$$Ax = \lambda x$$

$\lambda$ 称为特征值。它可以是负数或零，甚至可以是复数；「方向不变」允许反向。

注意这个方程和 $Ax=b$ 完全不同：$\lambda$ 与 $x$ 都是未知量，而且乘在一起。消元法不能直接用，需要换一个思路。

零特征值的含义

若 $\lambda=0$，则 $Ax=0$。所以零特征值存在，等价于 $A$ 奇异，对应的特征向量就是零空间中的向量。这样一来，「行列式为零」与「有零特征值」是同一件事。

时间轴

四个例子，先建立直觉

投影矩阵

设 $P$ 把向量投影到一个平面。

• 平面内的向量投影后不变：$Px=x$，所以 $\lambda=1$，整个平面都是特征向量。
• 垂直于平面的向量投影为零：$Px=0$，所以 $\lambda=0$，对应的特征向量是平面的法向量。

投影矩阵的特征值只有 $1$ 和 $0$，与「投影两次等于投影一次」完全吻合：$P^2=P$ 迫使 $\lambda^2=\lambda$。

置换矩阵

$$A=\begin{bmatrix}0&1\\1&0\end{bmatrix}$$

它交换两个分量。

• $x=(1,1)$：交换后不变，$\lambda=1$。
• $x=(-1,1)$：交换后变成 $(1,-1)=-x$，$\lambda=-1$。

两个特征向量垂直。这个矩阵是对称的，后面会看到这不是巧合。

旋转矩阵

逆时针旋转 $90^\circ$：

$$Q=\begin{bmatrix}0&-1\\1&0\end{bmatrix}$$

从几何上看，任何非零向量旋转 $90^\circ$ 后都不可能保持方向，所以应当「没有实特征向量」。代数上：

$$\det(Q-\lambda I) = \begin{vmatrix}-\lambda&-1\\1&-\lambda\end{vmatrix} = \lambda^2+1$$

解得 $\lambda=\pm i$。实矩阵可以有复特征值，而且成共轭对出现。$Q^T=-Q$，是反对称矩阵，这类矩阵的特征值纯虚。

三角矩阵

$$A=\begin{bmatrix}3&1\\0&3\end{bmatrix}$$

特征值可以直接从对角线读出：$\lambda_1=\lambda_2=3$。但求特征向量时：

$$A-3I=\begin{bmatrix}0&1\\0&0\end{bmatrix}$$

零空间只有一维，基是 $(1,0)$。只有一个线性无关的特征向量，无法张成整个平面。这是重复特征值带来的「特征向量短缺」。

求法：先求 λ，再求 x

关键变形

把 $Ax=\lambda x$ 移项：

$$(A-\lambda I)x=0$$

要存在非零的 $x$，矩阵 $A-\lambda I$ 必须奇异，于是

$$\det(A-\lambda I)=0$$

这称为特征方程。它是关于 $\lambda$ 的 $n$ 次多项式，有 $n$ 个根（计重数）。

二阶的便捷形式

对 $2\times2$ 矩阵，

$$\det(A-\lambda I)=\lambda^2-(\operatorname{tr}A)\lambda+\det A$$

其中迹是主对角线之和。因此：

$$\lambda_1+\lambda_2=\operatorname{tr}A, \qquad \lambda_1\lambda_2=\det A$$

这两个关系对任意 $n$ 也成立：所有特征值之和等于迹，之积等于行列式。

完整例子

$$A=\begin{bmatrix}3&1\\1&3\end{bmatrix}$$

先算特征多项式：

$$\det(A-\lambda I) = \begin{vmatrix}3-\lambda&1\\1&3-\lambda\end{vmatrix} = (3-\lambda)^2-1 = \lambda^2-6\lambda+8$$

因式分解：

$$(\lambda-4)(\lambda-2)=0$$

所以 $\lambda_1=4$，$\lambda_2=2$。验证：和 $4+2=6$ 等于迹，积 $8$ 等于行列式。

再求特征向量。

$\lambda=4$：

$$A-4I=\begin{bmatrix}-1&1\\1&-1\end{bmatrix}$$

零空间由 $(1,1)$ 张成。

$\lambda=2$：

$$A-2I=\begin{bmatrix}1&1\\1&1\end{bmatrix}$$

零空间由 $(-1,1)$ 张成（也可取 $(1,-1)$）。

两个特征向量垂直。矩阵是对称的，特征值都是实数。

三个结构性事实

加 $cI$ 只平移特征值

若 $Ax=\lambda x$，则

$$(A+cI)x=Ax+cx=(\lambda+c)x$$

所以特征向量完全不变，特征值整体加 $c$。课堂上正是这样从置换矩阵 $\begin{bmatrix}0&1\\1&0\end{bmatrix}$ 得到 $\begin{bmatrix}3&1\\1&3\end{bmatrix}$：特征值从 $1,-1$ 变成 $4,2$，特征向量仍是 $(1,1)$ 与 $(-1,1)$。

但 $A+B$ 没有这种性质

一个常见错误是：若 $Ax=\lambda x$、$By=\alpha y$，就断言 $A+B$ 的特征值是 $\lambda+\alpha$。这不成立，因为 $x$ 一般不是 $B$ 的特征向量。$-x$ 只有在 $B$ 是 $I$ 的倍数时才碰巧成立。

同理，$AB$ 的特征值一般也不是特征值的乘积。

迹与行列式总是对的

无论矩阵是否对称、是否重复，下面的恒等式都成立：

$$\sum_i \lambda_i = \operatorname{tr}A, \qquad \prod_i \lambda_i = \det A$$

这也是判断计算是否出错的第一道检查。

三种「坏情况」

对称矩阵是「好情况」的代表：特征值全为实，特征向量两两正交。反对称矩阵是另一个极端：特征值纯虚。一般矩阵介于两者之间。

核心回顾

• $Ax=\lambda x$：矩阵作用后方向不变的向量。
• 零特征值 $\iff$ 矩阵奇异。
• 求法：解 $\det(A-\lambda I)=0$ 得 $\lambda$，再解 $(A-\lambda I)x=0$ 得 $x$。
• 二阶：$\lambda^2-\operatorname{tr}(A)\lambda+\det A=0$。
• 特征值之和等于迹，之积等于行列式。
• 加 $cI$ 平移特征值、保持特征向量；$A+B$ 一般没有这种关系。
• 实矩阵可能有复特征值；重复特征值可能导致特征向量不足。

常见误区

1. 把 $Ax=\lambda x$ 当成普通方程组用消元解。两个未知量相乘，必须先消去 $x$。
2. 认为特征向量唯一。特征向量张成一个空间，任何非零倍数都有效。
3. 忘记零特征值的几何含义。它就是零空间。
4. 对 $A+B$ 直接相加特征值。只有 $B=cI$ 时才成立。
5. 以为实矩阵的特征值一定是实数。旋转矩阵给出反例。

理解检验

1. 投影矩阵的特征值为什么只能是 0 和 1？

参考答案：投影满足 $P^2=P$。设 $Px=\lambda x$，$x\ne0$。两边再作用一次 $P$：

$$P^2x=P(\lambda x)=\lambda Px=\lambda^2 x .$$

但 $P^2x=Px=\lambda x$，所以 $\lambda^2x=\lambda x$。由于 $x\ne0$，得 $\lambda^2=\lambda$，即 $\lambda(\lambda-1)=0$，故 $\lambda=0$ 或 $\lambda=1$。几何上，投影到平面内的向量不动（$\lambda=1$），法向向量被压成零（$\lambda=0$）。

2. 用迹与行列式验证 $\begin{bmatrix}3&1\\1&3\end{bmatrix}$ 的特征值。

参考答案：迹 $=3+3=6$，行列式 $=9-1=8$。特征多项式为

$$\lambda^2-(\operatorname{tr}A)\lambda+\det A=\lambda^2-6\lambda+8=(\lambda-2)(\lambda-4),$$

所以 $\lambda=2,4$。检验：和 $2+4=6$ 等于迹，积 $2\cdot4=8$ 等于行列式，与正文一致。

3. 旋转 $90^\circ$ 的矩阵为什么没有实特征向量？

参考答案：几何上，$Q\mathbf{x}$ 与 $\mathbf{x}$ 垂直且长度不变，一个非零向量不可能等于自己的实倍数，所以不存在实特征向量。代数上，

$$\det(Q-\lambda I)=\begin{vmatrix}-\lambda&-1\\1&-\lambda\end{vmatrix}=\lambda^2+1,$$

方程 $\lambda^2+1=0$ 在实数中没有解，只有 $\lambda=\pm i$。$Q$ 是反对称矩阵（$Q^T=-Q$），其特征值必为纯虚数或零。

4. 一个 $3\times3$ 矩阵有特征值 $2,2,5$，它的迹与行列式各是多少？

参考答案：迹等于特征值之和：$2+2+5=9$。行列式等于特征值之积（计重数）：$2\cdot2\cdot5=20$。这两个恒等式对任意矩阵都成立，是检查计算的第一道关口。

5. 为什么 $\begin{bmatrix}3&1\\0&3\end{bmatrix}$ 只有一维特征空间？

参考答案：特征值是 $\lambda=3$（二重）。求特征向量解 $(A-3I)x=0$：

$$A-3I=\begin{bmatrix}0&1\\0&0\end{bmatrix},$$

方程只有 $x_2=0$，$x_1$ 任意，所以零空间是 $\operatorname{span}\{(1,0)\}$，维数为 1。特征值的代数重数是 2，但几何重数只有 1，缺少一个线性无关的特征向量，因此这个矩阵不能对角化。

与前后课程的关系

这一讲定义特征值与特征向量，并给出求法。下一讲讨论对角化：当矩阵有足够多的线性无关特征向量时，可以写成 $A=S\Lambda S^{-1}$，从而快速计算幂与理解长期行为。重复特征值导致的短缺，将由 Jordan 形式处理。

What an eigenvector asks

A matrix is a function on vectors: input $x$, output $Ax$. Most vectors change direction. A few keep their direction and only change length — those are the eigenvectors:

$$Ax = \lambda x$$

The scalar $\lambda$ is the eigenvalue. It may be negative or zero, or even complex; "same direction" allows reversal.

This equation is not $Ax=b$: $\lambda$ and $x$ are both unknown, and they multiply. Elimination does not apply directly, so a different idea is needed.

What a zero eigenvalue means

If $\lambda=0$, then $Ax=0$. A zero eigenvalue therefore exists exactly when $A$ is singular, and its eigenvectors are the null space. "Determinant zero" and "a zero eigenvalue" are the same statement.

Timeline

Four examples for intuition

Projection matrix

Let $P$ project onto a plane.

• A vector already in the plane is unchanged: $Px=x$, so $\lambda=1$, and the whole plane consists of eigenvectors.
• A vector perpendicular to the plane projects to zero: $Px=0$, so $\lambda=0$, and the normal direction supplies eigenvectors.

The eigenvalues are only $1$ and $0$, consistent with $P^2=P$, which forces $\lambda^2=\lambda$.

Permutation matrix

$$A=\begin{bmatrix}0&1\\1&0\end{bmatrix}$$

It swaps the two components.

• $x=(1,1)$: unchanged, so $\lambda=1$.
• $x=(-1,1)$: becomes $(1,-1)=-x$, so $\lambda=-1$.

The two eigenvectors are perpendicular. The matrix is symmetric, and that is not a coincidence.

Rotation matrix

Rotate counterclockwise by $90^\circ$:

$$Q=\begin{bmatrix}0&-1\\1&0\end{bmatrix}$$

Geometrically, no nonzero vector can keep its direction after a quarter turn, so there should be no real eigenvector. Algebraically,

$$\det(Q-\lambda I) = \begin{vmatrix}-\lambda&-1\\1&-\lambda\end{vmatrix} = \lambda^2+1$$

so $\lambda=\pm i$. A real matrix can have complex eigenvalues, and they occur in conjugate pairs. Here $Q^T=-Q$: the matrix is antisymmetric, and such matrices have purely imaginary eigenvalues.

Triangular matrix

$$A=\begin{bmatrix}3&1\\0&3\end{bmatrix}$$

The eigenvalues can be read directly off the diagonal: $\lambda_1=\lambda_2=3$. But for eigenvectors,

$$A-3I=\begin{bmatrix}0&1\\0&0\end{bmatrix}$$

whose null space is only one-dimensional, spanned by $(1,0)$. There is only one independent eigenvector, not enough to span the plane. A repeated eigenvalue can create a shortage.

The method: find $\lambda$ first, then $x$

The key rearrangement

Move everything to one side:

$$(A-\lambda I)x=0$$

For a nonzero $x$ to exist, $A-\lambda I$ must be singular, so

$$\det(A-\lambda I)=0$$

This is the characteristic equation, a polynomial of degree $n$ in $\lambda$ with $n$ roots counted with multiplicity.

The convenient $2 \times 2$ form

For a $2\times2$ matrix,

$$\det(A-\lambda I)=\lambda^2-(\operatorname{tr}A)\lambda+\det A$$

Hence

$$\lambda_1+\lambda_2=\operatorname{tr}A, \qquad \lambda_1\lambda_2=\det A$$

Both identities hold for every $n$: the eigenvalues sum to the trace and multiply to the determinant.

A full example

$$A=\begin{bmatrix}3&1\\1&3\end{bmatrix}$$

The characteristic polynomial:

$$\det(A-\lambda I) = \begin{vmatrix}3-\lambda&1\\1&3-\lambda\end{vmatrix} = (3-\lambda)^2-1 = \lambda^2-6\lambda+8$$

Factor:

$$(\lambda-4)(\lambda-2)=0$$

So $\lambda_1=4$ and $\lambda_2=2$. Check: the sum $4+2=6$ is the trace, and the product $8$ is the determinant.

Now the eigenvectors.

For $\lambda=4$:

$$A-4I=\begin{bmatrix}-1&1\\1&-1\end{bmatrix}$$

Its null space is spanned by $(1,1)$.

For $\lambda=2$:

$$A-2I=\begin{bmatrix}1&1\\1&1\end{bmatrix}$$

Its null space is spanned by $(-1,1)$ (or $(1,-1)$).

The two eigenvectors are perpendicular. The matrix is symmetric, and both eigenvalues are real.

Three structural facts

Adding $cI$ shifts eigenvalues

If $Ax=\lambda x$, then

$$(A+cI)x=Ax+cx=(\lambda+c)x$$

The eigenvectors are unchanged and every eigenvalue increases by $c$. In the lecture, adding $3I$ to the permutation matrix $\begin{bmatrix}0&1\\1&0\end{bmatrix}$ produces $\begin{bmatrix}3&1\\1&3\end{bmatrix}$: the eigenvalues move from $1,-1$ to $4,2$, while the eigenvectors stay $(1,1)$ and $(-1,1)$.

But $A+B$ does not work that way

A common mistake: given $Ax=\lambda x$ and $By=\alpha y$, conclude that $A+B$ has eigenvalue $\lambda+\alpha$. This is false, because $x$ is generally not an eigenvector of $B$. It works only when $B$ is a multiple of $I$.

Likewise, the eigenvalues of $AB$ are generally not the products of the eigenvalues.

The trace and determinant identities always hold

Whatever the matrix, symmetric or not, repeated eigenvalues or not:

$$\sum_i \lambda_i = \operatorname{tr}A, \qquad \prod_i \lambda_i = \det A$$

These are the first check on any eigenvalue computation.

Three "bad cases"

Symmetric matrices are the good case: real eigenvalues and orthogonal eigenvectors. Antisymmetric matrices are the opposite extreme: purely imaginary eigenvalues. General matrices sit in between.

Core review

• $Ax=\lambda x$: vectors whose direction survives the matrix.
• A zero eigenvalue is equivalent to singularity.
• Method: solve $\det(A-\lambda I)=0$ for $\lambda$, then $(A-\lambda I)x=0$ for $x$.
• For $2\times2$: $\lambda^2-\operatorname{tr}(A)\lambda+\det A=0$.
• Eigenvalues sum to the trace and multiply to the determinant.
• Adding $cI$ shifts eigenvalues and preserves eigenvectors; $A+B$ generally does not.
• Real matrices can have complex eigenvalues; repeated eigenvalues can leave too few eigenvectors.

Common misconceptions

1. Treating $Ax=\lambda x$ as an ordinary system to eliminate. Two unknowns multiply; eliminate $x$ first.
2. Expecting a unique eigenvector. Eigenvectors fill a space; any nonzero multiple works.
3. Missing the geometry of a zero eigenvalue. It is the null space.
4. Adding eigenvalues of $A$ and $B$. Only valid when one matrix is a multiple of $I$.
5. Assuming a real matrix has real eigenvalues. The rotation matrix is the counterexample.

Check your understanding

1. Why can a projection matrix only have eigenvalues 0 and 1?

Reference answer: A projection satisfies $P^2=P$. Suppose $Px=\lambda x$ with $x\ne0$. Apply $P$ again:

$$P^2x=P(\lambda x)=\lambda Px=\lambda^2 x .$$

But $P^2x=Px=\lambda x$, so $\lambda^2x=\lambda x$. Since $x\ne0$, $\lambda^2=\lambda$, i.e. $\lambda(\lambda-1)=0$, hence $\lambda=0$ or $\lambda=1$. Geometrically, vectors in the target plane stay put ($\lambda=1$) and the normal direction collapses to zero ($\lambda=0$).

2. Use the trace and determinant to verify the eigenvalues of $\begin{bmatrix}3&1\\1&3\end{bmatrix}$.

Reference answer: Trace $=3+3=6$ and determinant $=9-1=8$. The characteristic polynomial is

$$\lambda^2-(\operatorname{tr}A)\lambda+\det A=\lambda^2-6\lambda+8=(\lambda-2)(\lambda-4),$$

so $\lambda=2,4$. Check: the sum $2+4=6$ equals the trace and the product $2\cdot4=8$ equals the determinant, matching the text.

3. Why does a $90^\circ$ rotation have no real eigenvector?

Reference answer: Geometrically, $Q\mathbf{x}$ is perpendicular to $\mathbf{x}$ and of the same length, so a nonzero vector can never be a real multiple of its image. Algebraically,

$$\det(Q-\lambda I)=\begin{vmatrix}-\lambda&-1\\1&-\lambda\end{vmatrix}=\lambda^2+1,$$

and $\lambda^2+1=0$ has no real solution, only $\lambda=\pm i$. Since $Q$ is antisymmetric ($Q^T=-Q$), its eigenvalues must be purely imaginary or zero.

4. A $3\times3$ matrix has eigenvalues $2,2,5$. What are its trace and determinant?

Reference answer: Trace equals the sum of the eigenvalues: $2+2+5=9$. Determinant equals their product counted with multiplicity: $2\cdot2\cdot5=20$. Both identities hold for every matrix and are the first check when computing.

5. Why does $\begin{bmatrix}3&1\\0&3\end{bmatrix}$ have only a one-dimensional eigenspace?

Reference answer: The only eigenvalue is $\lambda=3$ (double). Solve $(A-3I)x=0$:

$$A-3I=\begin{bmatrix}0&1\\0&0\end{bmatrix},$$

whose only equation is $x_2=0$ with $x_1$ free, so the nullspace is $\operatorname{span}\{(1,0)\}$, of dimension 1. The algebraic multiplicity is 2 but the geometric multiplicity is 1; one independent eigenvector is missing, so the matrix is not diagonalizable.

How this connects

This lecture defines eigenvalues and eigenvectors and shows how to compute them. The next discusses diagonalization: when there are enough independent eigenvectors, $A=S\Lambda S^{-1}$ makes powers and long-term behavior easy to read. The shortage caused by repeated eigenvalues leads to Jordan form.