特徵值與特徵向量：矩陣的靈魂
特徵值（eigenvalue）與特徵向量（eigenvector）是線性代數最核心的概念。本文從「矩陣乘法只改變長度、不改變方向」的直覺出發，介紹特徵方程式、特徵多項式、特徵空間的求法，附完整計算例題與幾何詮釋。
把一個向量 $\vb{v}$ 乘上矩陣 $A$，一般來說方向和長度都會改變。但對某些特殊的向量，$A$ 只做一件事：把它伸縮一個倍數，方向完全不變。
\[A\vb{v} = \lambda\vb{v}\]這樣的向量 $\vb{v}$ 叫特徵向量（eigenvector），對應的倍數 $\lambda$ 叫特徵值（eigenvalue）。它們是矩陣的「固有方向」與「固有伸縮率」——理解了特徵值，就理解了矩陣的本質行為。
定義
令 $A$ 是 $n \times n$ 方陣，$\vb{v}$ 是 $\mathbb{R}^n$ 中的非零向量。若存在純量 $\lambda$ 使得
\[\boxed{A\vb{v} = \lambda\vb{v}}\]則稱 $\vb{v}$ 是 $A$ 的一個特徵向量，$\lambda$ 是對應的特徵值。
幾個關鍵點：
- $\vb{v}$ 必須是非零向量（零向量對任何 $\lambda$ 都滿足等式，沒有意義）
- $\lambda$ 可以是 $0$（此時 $A\vb{v} = \vb{0}$，即 $\vb{v}$ 在 $A$ 的零空間裡）
- $\lambda$ 可以是負數（方向反轉）或複數
驗證例
給定
\[A = \begin{bmatrix}5&2&1\\-2&1&-1\\2&2&4\end{bmatrix}, \qquad \vb{v} = \begin{bmatrix}1\\-1\\1\end{bmatrix}\]驗證 $\vb{v}$ 是特徵向量。
\[A\vb{v} = \begin{bmatrix}5-2+1\\-2-1-1\\2-2+4\end{bmatrix} = \begin{bmatrix}4\\-4\\4\end{bmatrix} = 4\begin{bmatrix}1\\-1\\1\end{bmatrix} = 4\vb{v}\]所以 $\vb{v}$ 是特徵向量，對應特徵值 $\lambda = 4$。
特徵空間
把 $A\vb{v} = \lambda\vb{v}$ 改寫：
\[A\vb{v} - \lambda\vb{v} = \vb{0} \implies (A - \lambda I)\vb{v} = \vb{0}\]這是一個齊次線性方程組。$\vb{v}$ 是特徵向量，意思就是它是 $(A - \lambda I)\vb{x} = \vb{0}$ 的非零解。
所有這些解（包括零向量）構成的集合，稱為 $A$ 對應於特徵值 $\lambda$ 的特徵空間（eigenspace）——它正好是矩陣 $(A - \lambda I)$ 的零空間（null space）。
\[\text{特徵空間} = \operatorname{Null}(A - \lambda I)\]如何求特徵值？特徵多項式
問題來了：如果只知道 $A$，怎麼找 $\lambda$？
$(A - \lambda I)\vb{x} = \vb{0}$ 有非零解的條件是：$(A - \lambda I)$ 不可逆，等價於
\[\boxed{\det(A - \lambda I) = 0}\]這就是 $A$ 的特徵方程式（characteristic equation）。
將行列式展開，得到一個關於 $\lambda$ 的多項式，稱為 $A$ 的特徵多項式（characteristic polynomial）。求解這個方程式的根，就得到所有特徵值。
\[\underbrace{\det(A - \lambda I)}_{\text{特徵多項式}} = 0 \implies \text{求根得到所有特徵值 } \lambda\]完整求解流程
步驟一： 計算 $\det(A - \lambda I) = 0$，解出所有特徵值 $\lambda_1, \lambda_2, \ldots$
步驟二： 對每個特徵值 $\lambda_k$，解齊次方程組 $(A - \lambda_k I)\vb{x} = \vb{0}$，求出特徵空間的基底（即特徵向量）
例題一（$2 \times 2$ 矩陣）
給定
\[A = \begin{bmatrix}-4&-3\\3&6\end{bmatrix}\]求 $A$ 的特徵值和特徵向量。
步驟一： 特徵方程式
\[\det(A - \lambda I) = \begin{vmatrix}-4-\lambda & -3 \\ 3 & 6-\lambda\end{vmatrix} = (-4-\lambda)(6-\lambda) + 9\] \[= \lambda^2 - 2\lambda - 24 + 9 = \lambda^2 - 2\lambda - 15 = (\lambda - 5)(\lambda + 3) = 0\]特徵值為 $\lambda_1 = 5$，$\lambda_2 = -3$。
步驟二： 求 $\lambda_1 = 5$ 的特徵向量
\[A - 5I = \begin{bmatrix}-9&-3\\3&1\end{bmatrix} \xrightarrow{\text{列化簡}} \begin{bmatrix}1 & 1/3 \\ 0 & 0\end{bmatrix}\]解：$x_1 = -\dfrac{1}{3}x_2$，令 $x_2 = 3$，得特徵向量
\[\vb{v}_1 = \begin{bmatrix}-1\\3\end{bmatrix}\]步驟二： 求 $\lambda_2 = -3$ 的特徵向量
\[A + 3I = \begin{bmatrix}-1&-3\\3&9\end{bmatrix} \xrightarrow{\text{列化簡}} \begin{bmatrix}1 & 3 \\ 0 & 0\end{bmatrix}\]解：$x_1 = -3x_2$，令 $x_2 = 1$，得特徵向量
\[\vb{v}_2 = \begin{bmatrix}-3\\1\end{bmatrix}\]驗算：
\[A\vb{v}_1 = \begin{bmatrix}-4&-3\\3&6\end{bmatrix}\begin{bmatrix}-1\\3\end{bmatrix} = \begin{bmatrix}4-9\\-3+18\end{bmatrix} = \begin{bmatrix}-5\\15\end{bmatrix} = 5\begin{bmatrix}-1\\3\end{bmatrix} \checkmark\]例題二（$3 \times 3$ 矩陣，重根）
給定
\[B = \begin{bmatrix}3&0&0\\0&1&2\\0&2&1\end{bmatrix}\]求 $B$ 的特徵值。
\[\det(B - \lambda I) = (3-\lambda)\begin{vmatrix}1-\lambda&2\\2&1-\lambda\end{vmatrix} = (3-\lambda)\bigl[(1-\lambda)^2 - 4\bigr]\] \[= (3-\lambda)(\lambda^2 - 2\lambda - 3) = (3-\lambda)(3-\lambda)(\lambda+1) \cdot (-1)\]更直接地：$(1-\lambda)^2 - 4 = \lambda^2 - 2\lambda - 3 = (\lambda-3)(\lambda+1)$，所以
\[\det(B - \lambda I) = -(3-\lambda)(\lambda-3)(\lambda+1) = (\lambda-3)^2(\lambda+1) = 0\]特徵值：$\lambda_1 = 3$（重數為 2），$\lambda_2 = -1$。
幾何直覺
| $\lambda$ 的值 | $A\vb{v} = \lambda\vb{v}$ 的幾何意義 |
|---|---|
| $\lambda > 1$ | 沿特徵向量方向拉伸 |
| $0 < \lambda < 1$ | 沿特徵向量方向壓縮 |
| $\lambda = 1$ | 沿特徵向量方向不動 |
| $\lambda = -1$ | 沿特徵向量方向反向等長 |
| $\lambda < 0$ | 沿特徵向量方向反向並伸縮 |
| $\lambda = 0$ | $\vb{v}$ 落在 $A$ 的零空間，被壓縮成零 |
旋轉矩陣
\[R_\theta = \begin{bmatrix}\cos\theta & -\sin\theta \\ \sin\theta & \cos\theta\end{bmatrix}\]（$\theta \neq 0, \pi$）沒有實數特徵值——旋轉不存在「方向不動」的向量，只在複數域才有特徵值 $e^{\pm i\theta}$。
重要性質
相似矩陣有相同特徵多項式
若 $B = P^{-1}AP$（$P$ 可逆），則
\[\det(B - \lambda I) = \det(P^{-1}AP - \lambda I) = \det(P^{-1}(A-\lambda I)P) = \det(A - \lambda I)\]相似矩陣有相同的特徵值（重數也相同）。這是矩陣對角化的基礎：若能找到可逆矩陣 $P$ 使得 $P^{-1}AP$ 是對角矩陣，對角線上就是特徵值。
跡與行列式
$n \times n$ 矩陣 $A$ 的特徵多項式是 $n$ 次多項式，展開後：
\[\det(A - \lambda I) = (-\lambda)^n + \operatorname{tr}(A)(-\lambda)^{n-1} + \cdots + \det(A)\]- 跡（trace）$= \lambda_1 + \lambda_2 + \cdots + \lambda_n$（重根重複計算）
- 行列式 $= \lambda_1 \cdot \lambda_2 \cdots \lambda_n$
這是快速驗算的好工具：求完特徵值，用跡和行列式做交叉驗證。
總結
| 概念 | 定義 / 求法 |
|---|---|
| 特徵值 $\lambda$ | $\det(A - \lambda I) = 0$ 的根 |
| 特徵向量 $\vb{v}$ | $(A - \lambda I)\vb{x} = \vb{0}$ 的非零解 |
| 特徵空間 | $\operatorname{Null}(A - \lambda I)$，包含零向量 |
| 特徵多項式 | $\det(A - \lambda I)$，$n$ 次多項式 |
求解流程：特徵方程式求 $\lambda$ → 對每個 $\lambda$ 解齊次方程組求特徵向量。
特徵值是矩陣「本質行為」的縮影：它說明矩陣在哪些方向上只做拉伸或壓縮，是矩陣對角化、主成分分析（PCA）、常微分方程組求解的核心工具。
→ 歡迎預約家教課，直接針對你的問題討論