特徵值與特徵向量：新手友善入門

特徵值和特徵向量第一次看到時顯得很神祕，但其背後的思想很直觀：當一個矩陣變換一個向量時，大多數向量會被旋轉和拉伸。**特徵向量就是那些只被拉伸、從不被旋轉的特殊方向。**那個拉伸倍數就是特徵值。

定義

給定一個 $n \times n$ 矩陣 $A$，當一個非零向量 $\mathbf{v}$ 滿足下式時，它就是一個以 $\lambda$ 為特徵值的特徵向量：

$A \mathbf{v} = \lambda \mathbf{v}$

幾何上：$A$ 作用在 $\mathbf{v}$ 上，得到 $\lambda$ 倍的 $\mathbf{v}$——方向相同，只是被縮放了。

如何求它們——特徵多項式

整理後得到 $(A - \lambda I)\mathbf{v} = \mathbf{0}$。要存在非平凡的 $\mathbf{v}$，矩陣 $A - \lambda I$ 必須是奇異的，即：

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

這會展開成一個關於 $\lambda$ 的多項式，稱為特徵多項式，次數為 $n$。它的根就是特徵值。

$2 \times 2$ 解題範例

$A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$

1. $A - \lambda I = \begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix}$。
2. $\det = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10$。
3. 解 $\lambda^2 - 7\lambda + 10 = 0$：$\lambda = 5$ 或 $\lambda = 2$。

當 $\lambda = 5$ 時：解 $(A - 5I)\mathbf{v} = 0$，即 $\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}\mathbf{v} = 0$，得到特徵向量 $\mathbf{v}_1 = (1, 1)$。

當 $\lambda = 2$ 時：類似的過程得到 $\mathbf{v}_2 = (1, -2)$。

為什麼特徵向量重要

• 主成分分析（PCA）：共變異數矩陣的特徵向量就是你資料中變化的主方向。
• Google PageRank：排名向量是網路連結矩陣的主特徵向量。
• 量子力學：可觀測量是算符；它們的特徵值是你唯一能測得的結果。
• 微分方程式：系統矩陣的特徵值告訴你解是衰減還是爆炸。

幾何意義回顧

對於一個 2D 矩陣，特徵向量是特殊的坐標軸。如果你把坐標系與它們對齊，$A$ 就會變成對角的——沿每個軸純粹縮放，沒有旋轉。這就是對角化，它是數十種演算法的基礎。

常見錯誤

• 忘記特徵向量是定義到一個縮放係數為止的——特徵向量的任意非零倍數也是特徵向量。
• 跳過特徵方程式而試圖去猜。
• 把 $\det(A - \lambda I)$ 當作 $\det(A) - \lambda$——它不是。

用 AI 矩陣求解器試試

把你的矩陣輸入矩陣計算器並求特徵值——每一步都會展示。

相關參考：

• 行列式計算器 — 特徵多項式需要它
• 二次方程式求解器 — 用於 $2\times 2$ 的特徵方程式情形
• 向量計算器 — 特徵向量本質上就是向量