如何求矩阵的特征值和特征向量？

矩阵的特征多项式是：λE-A的行列式。

λI-A称为A的特征矩阵；|λI-A|称为A的特征多项式；|λI-A|=0称为A的特征矩阵，而由些求出的全部根,即为A的全部特征值。对每一个求出特征值λ，求出齐次方程组(λI-A)x=o的基础解是&1，&2，&3&s，则k1&1+k2&2+ks&s即是A对应于 λ的全部特征向量（其中,k1ks不全为零）。

设A是数域P上的一个n阶矩阵，λ是一个未知量：

系数行列式|A-λE|称为A的特征多项式，记¦(λ)=|λE-A|，是一个P上的关于λ的n次多项式，E是单位矩阵。

¦(λ)=|λE-A|=λn+a1λn-1+…+an= 0是一个n次代数方程，称为A的特征方程。特征方程¦(λ)=|λE-A|=0的根(如：λ0)称为A的特征根(或特征值)。n次代数方程在复数域内有且仅有n个根，而在实数域内不一定有根，因此特征根的多少和有无，不仅与A有关，与数域P也有关。

以A的特征值λ0代入(λE-A)X=0，得方程组(λ0E-A)X=0，是一个齐次方程组，称为A的关于λ0的特征方程组。因为|λ0E-A|=0，(λ0E-A)X=0必存在非零解，称为A的属于λ0的特征向量。所有λ0的特征向量全体构成了λ0的特征向量空间。

Aα
一定等于
α
的某个倍数λ
，此倍数就是对应的特征值。
如果矩阵可对角化并且知道所有的特征值及对应的特征向量，那么可以用这些信息来还原矩阵
因为Ap1=p1λ1,
Apn=pnλn
A[p1,,pn]=[p1,,pn]diag{λ1,,λn}
A=[p1,,pn]diag{λ1,,λn}[p1,,pn]^{-1}
求出特征值之后，把特征值代回到原来的方成里，这样每一行的每一个数字都是已知的，就成了一个已知的矩阵。例如求的不同的特值有两个，2和3将2带回你的方程，假设这个矩阵是A，以这个矩阵作为已知条件，来求方程。
也就是Ax=0的形式，把这个方程解出来。求得的所有无关的解向量，就是关于特征值2的特征向量。同理，再将3带回你的方程，得到的矩阵是B，求Bx=o的所有无关解向量。就是属于特征值3的特征向量。

扩展资料：

从数学上看，如果向量v与变换A满足Av=λv，则称向量v是变换A的一个特征向量，λ是相应的特征值。这一等式被称作“特征值方程”。
假设它是一个线性变换，那么v可以由其所在向量空间的一组基表示为：
其中vi是向量在基向量上的投影（即坐标），这里假设向量空间为n
维。由此，可以直接以坐标向量表示。利用基向量，线性变换也可以用一个简单的矩阵乘法表示。上述的特征值方程可以表示为：
但是，有时候用矩阵形式写下特征值方程是不自然甚或不可能的。例如在向量空间是无穷维的时候，上述的弦的情况就是一例。取决于变换和它所作用的空间的性质，有时将特征值方程表示为一组微分方程更好。
若是一个微分算子，其特征向量通常称为该微分算子的特征函数。例如，微分本身是一个线性变换因为（若M和N是可微函数，而a和b是常数）
参考资料来源：搜狗百科-特征向量

求n阶矩阵A的特征值的基本方法：

根据定义可改写为关系式

E为单位矩阵，要求向量x具有非零解，即求齐次线性方程组

有非零解的值λ，即要求行列式

解次行列式获得的λ值即为矩阵A的特征值。将此值回代入原式求得相应的x，即为输入这个行列式的特征向量。

扩展资料

求矩阵的全部特征值和特征向量的方法：

1、计算的特征多项式；

2、求出特征方程的全部根，即为的全部特征值；

3、对于的每一个特征值，求出齐次线性方程组的一个基础解系，则的属于特征值的全部特征向量是其中是不全为零的任意实数。

特征值与特征向量之间关系：
1、属于不同特征值的特征向量一定线性无关。
2、相似矩阵有相同的特征多项式，因而有相同的特征值。
3、设x是矩阵a的属于特征值1的特征向量，且a~b，即存在满秩矩阵p使b=p(-1)ap，则y=p(-1)x是矩阵b的属于特征值1的特征向量。
4、n阶矩阵与对角矩阵相似的充分必要条件是：矩阵有n个线性无关的分别属于特征值1，2，3的特征向量（1，2，3中可以有相同的值）。
特征值是线性代数中的一个重要概念。在数学、物理学、化学、计算机等领域有着广泛的应用。设
A
是n阶方阵，如果存在数m和非零n维列向量 x，使得
Ax=mx
成立。

扩展资料：

求矩阵的全部特征值和特征向量的方法如下：
第一步：计算的特征多项式；
第二步：求出特征方程的全部根，即为的全部特征值；
第三步：对于的每一个特征值，求出齐次线性方程组。
若是的属于的特征向量，则也是对应于的特征向量，因而特征向量不能由特征值惟一确定．反之，不同特征值对应的特征向量不会相等，亦即一个特征向量只能属于一个特征值。
特征空间就是由所有有着相同特征值的特征向量组成的空间，还包括零向量，但要注意零向量本身不是特征向量。
线性变换的主特征向量是最大特征值对应的特征向量。特征值的几何重次是相应特征空间的维数。有限维向量空间上的一个线性变换的谱是其所有特征值的集合。
参考资料来源：搜狗百科——特征值
参考资料来源：搜狗百科——特征向量

---