特征方程

我们已确定特征值($\lambda$)和特征向量 (vector)($x$)满足基本关系$Ax = \lambda x$。这个方程说明，当矩阵$A$变换向量$x$时，结果只是原始向量$x$按因子$\lambda$进行缩放。特征向量的方向保持不变。

我们现在的目标是找到一种系统方法来确定给定方阵$A$的$\lambda$的可能取值。我们可以从重新整理特征方程开始：

$Ax = \lambda x$

从两边减去$\lambda x$：

$Ax - \lambda x = 0$

其中$0$代表零向量。为了提取向量$x$作为公因子，我们需要将$\lambda x$表示为矩阵-向量积。我们可以使用与$A$相同大小的单位矩阵$I$来做到这一点。回想一下，$Ix = x$。因此，$\lambda x = \lambda I x$。将其代入我们的方程，得到：

$Ax - \lambda I x = 0$

现在我们可以提取向量$x$作为公因子：

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

这个方程很重要。它是一个$Mx = 0$形式的齐次线性方程组，其中矩阵$M$是$(A - \lambda I)$。我们寻找的是特征值$\lambda$，这些标量使得此方程对$x$有非零解（因为特征向量根据定义不能是零向量）。

回顾求解线性方程组。如果矩阵$M$可逆，齐次系统$Mx = 0$只有平凡解（$x = 0$）。反之，当且仅当矩阵$M$是奇异的（不可逆的）时，它才具有非平凡解（这正是我们特征向量所需的）。

将其应用于我们的特征值问题，矩阵$M = (A - \lambda I)$必须是奇异的，以便存在非零特征向量$x$。

我们如何判断一个矩阵是否奇异？矩阵的一个基本性质是，一个方阵奇异当且仅当其行列式为零。

因此，为了找到特征值$\lambda$，我们必须找到使矩阵$(A - \lambda I)$奇异的$\lambda$值。这直接得出以下条件：

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

这个方程称为矩阵$A$的特征方程。

当您计算行列式$det(A - \lambda I)$时，您会发现它会得到一个关于变量$\lambda$的多项式。这个多项式被称为特征多项式。这个多项式的次数等于方阵$A$的维度。特征多项式的根正是矩阵$A$的特征值。

示例：求2x2矩阵的特征值

让我们找出一个一般的2x2矩阵的特征方程：

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

首先，构成矩阵$(A - \lambda I)$：

$A - \lambda I = \begin{bmatrix} a & b \\ c & d \end{bmatrix} - \lambda \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} a - \lambda & b \\ c & d - \lambda \end{bmatrix}$

接下来，计算这个矩阵的行列式：

$det(A - \lambda I) = (a - \lambda)(d - \lambda) - (b)(c)$

最后，将行列式设为零，得到特征方程：

$(a - \lambda)(d - \lambda) - bc = 0$

展开后得到：

$ad - a\lambda - d\lambda + \lambda^2 - bc = 0$

$\lambda^2 - (a + d)\lambda + (ad - bc) = 0$

请注意，$(a+d)$是矩阵A的迹（对角线元素之和），记作$tr(A)$，而$(ad-bc)$是A的行列式，记作$det(A)$。所以，对于2x2矩阵，特征方程总是：

$\lambda^2 - tr(A)\lambda + det(A) = 0$

这是一个关于$\lambda$的二次方程。求解这个方程（例如使用二次公式）将得到2x2矩阵$A$的特征值。对于$n \times n$矩阵，您会得到一个$n$次多项式，求其根即可得到$n$个特征值（它们可能是实数或复数，并且不一定都相同）。

尽管求解特征方程是寻找特征值的标准理论方法，但对于大型矩阵，数值求解高次多项式的根可能具有挑战性且容易不稳定。在实践中，像NumPy这样的计算库会使用更复杂和稳定的迭代算法（通常基于QR分解等矩阵分解）来寻找特征值和特征向量 (vector)，尤其是在机器学习 (machine learning)中遇到的大型矩阵。然而，理解特征方程为这些算法所实现的功能提供了必要的理论基础。