第14讲：特征值与特征向量
特征值与特征向量
特征值与特征向量特征值与特征向量是线性代数中的重要概念，它们在矩阵理论、物理学、工程等领域有着广泛的应用。
本文将对特征值与特征向量进行详细讲解，并介绍它们的一些重要性质和应用。
一、特征值与特征向量的定义在线性代数中，给定一个n阶方阵A，非零向量x若满足Ax=kx，其中k为一个标量，那么我们称k为矩阵A的特征值，x为矩阵A对应于特征值k的特征向量。
特征值和特征向量是矩阵A的固有性质，它们描述了矩阵在线性变换下的一些重要特性。
二、求解特征值与特征向量要求解一个矩阵的特征值与特征向量，我们可以通过求解特征方程来实现。
特征方程是一个关于特征值的多项式方程，形式为|A-kI|=0，其中I为单位矩阵，k为特征值。
解特征方程可以得到特征值的值，然后将特征值代入到(A-kI)x=0中，求解线性方程组即可得到特征向量。
特征值与特征向量是成对存在的，对于矩阵A的每一个特征值k，都对应着一个特征向量。
一个矩阵最多有n个特征值，但是可能有重复的特征值。
三、特征值与特征向量的重要性质特征值与特征向量具有以下重要性质：1. 特征向量与特征值的个数相等，一一对应。
2. 特征值可以为实数或复数，特征向量可以为实向量或复向量。
3. 若特征值为k，则对应的特征向量不唯一，可乘以一个非零常数得到不同的特征向量。
4. 矩阵的迹等于特征值的和，行列式等于特征值的积。
特征值与特征向量的这些性质在实际问题中有着重要的应用，可以用于矩阵的对角化、求解线性方程组、图像处理、物理模型的求解等领域。
四、特征值与特征向量的应用1. 数据降维在数据处理中，我们经常会遇到维度灾难，即特征维度非常高，而样本量较小。
利用特征值与特征向量，我们可以将高维度的数据降低到低维度，从而简化计算和数据处理过程，提高算法效率。
2. 图像处理图像可以用矩阵来表示，而图像的特性往往由矩阵的特征值与特征向量来描述。
利用特征值与特征向量，我们可以进行图像的压缩、图像的特征提取、图像的增强等图像处理操作。
特征值与特征向量
特征值与特征向量首先，让我们来了解一下什么是矩阵。
矩阵是一个由m行n列元素组成的矩形数表，可以表示为[A]或者A = [a_ij]，其中i表示行数，j表示列数，a_ij表示第i行第j列的元素。
现在，我们来定义特征值和特征向量。
特征值：一个数λ称为矩阵A的特征值，如果存在一个非零向量X 使得AX=λX成立。
其中，X被称为特征值λ对应的特征向量。
特征向量：一个非零向量X称为矩阵A的特征向量，如果存在一个数λ使得AX=λX成立。
特征向量可以是多维的，可以是列向量或行向量。
特征值和特征向量的计算方法：给定一个n阶方阵A，要找到它的特征值和特征向量，我们需要解决下面的特征方程Ax=λx，其中A是矩阵，x是特征向量，λ是特征值。
为了求解特征方程，我们需要将特征方程等式转换为一个齐次线性方程组，即(A-λI)x=0，其中I是n阶单位矩阵。
然后，我们需要找到零空间(Null Space)或核(Kernel)来求解方程组(A-λI)x=0。
零空间是指在方程组的解向量中满足Ax=λx的向量空间。
在找到解向量后，我们可以得到特征值λ和特征向量x。
特征向量是零空间中的一个非零向量。
特征值和特征向量在很多领域中都有广泛的应用。
1.物理学中，特征值和特征向量在量子力学中用于解决薛定谔方程，求解能量本征值和波函数。
2.机器学习和数据分析中，特征值和特征向量用于主成分分析(PCA)，可以降低数据的维度，提取主要特征。
3.图像处理和计算机视觉中，特征值和特征向量用于特征提取、图像压缩等。
4.工程中，特征值和特征向量可用于结构分析、振动模态分析等。
5.金融学和经济学中，特征值和特征向量可用于风险分析、资产组合优化等。
总之，特征值和特征向量是矩阵和线性代数中的重要概念，广泛应用于各个领域。
了解特征值和特征向量的计算方法和应用可以帮助我们更好地理解和应用相关的数学理论和方法。
特征值和特征向量
特征值和特征向量特征值和特征向量是线性代数中非常重要的概念，在数学和工程领域中广泛应用。
它们与矩阵与向量的关系密切相关，可以用于解决许多实际问题。
一、特征值与特征向量的定义特征值和特征向量是矩阵的固有性质，它们描述了矩阵在线性变换下的特殊性质。
特征值（eigenvalue）是一个数，表示矩阵变换后的向量与原向量方向相等或反向。
特征向量（eigenvector）则是与特征值对应的向量。
对于一个n维矩阵A和一个n维向量x，如果满足以下等式：Ax = λx其中λ为标量，称为特征值，x称为特征向量。
我们可以将这个等式分解为(A-λI)x=0，其中I为单位矩阵，如果矩阵A存在一个非零向量x使得等式成立，则说明λ为矩阵A的特征值，x为对应的特征向量。
特征值和特征向量总是成对出现，一个特征值可能对应多个特征向量。
二、特征值与特征向量的求解为了求解矩阵的特征值与特征向量，我们可以使用特征值问题的基本公式：det(A-λI) = 0其中，det表示行列式求值。
解这个方程可以得到矩阵A的特征值λ。
然后，我们将每个特征值代入方程(A-λI)x = 0，求解得到对应的特征向量x。
三、特征值与特征向量的意义特征值和特征向量在许多应用中起着重要的作用，它们可以帮助我们理解矩阵的几何性质和变换规律。
在线性代数中，特征值和特征向量有以下几个重要意义：1. 几何意义：特征向量表示了矩阵变换后不改变方向的向量。
特征值表示了特征向量在变换中的缩放因子。
通过分析特征向量和特征值，我们可以了解变换对向量空间的拉伸、压缩、旋转等操作。
2. 矩阵对角化：如果矩阵A有n个线性无关的特征向量，我们可以将这些特征向量组成一个矩阵P，并将其逆矩阵P^{-1}乘以A和AP^{-1}，就可以得到一个对角矩阵D，D的对角线上的元素就是矩阵A的特征值。
这个过程称为矩阵的对角化，可以简化矩阵的运算和分析。
3. 矩阵的奇异值分解：特征值和特征向量也与矩阵的奇异值分解密切相关。
特征值与特征向量
特征值与特征向量在数学中，特征值和特征向量是矩阵与线性变换的重要概念。
特征值可以帮助我们理解线性变换对向量运动的影响，而特征向量则描述了这种影响的方向。
本文将介绍特征值与特征向量的定义、性质以及它们在实际问题中的应用。
一、特征值与特征向量的定义对于一个n维向量空间中的线性变换T，如果存在一个非零向量v使得T(v) = λv 成立，其中λ为一个标量，那么我们称λ为T的特征值，v为T对应于特征值λ的特征向量。
特征值和特征向量可以通过求解线性方程组来获得。
设A是一个n×n的矩阵，并且v是一个非零向量，则有Av = λv 成立。
这是一个齐次线性方程组。
解该方程组即可得到特征值和特征向量。
二、特征值与特征向量的性质1. 特征值与特征向量的存在性和唯一性对于一个n×n的矩阵A，它的特征值存在和特征向量存在的条件是相同的。
一个矩阵最多有n个不同的特征值，每个特征值对应的特征向量也可以有多个。
但是特征向量一定是线性相关的。
2. 特征值与特征向量的性质（1）特征值的和等于矩阵的迹如果A是一个n×n的矩阵，λ₁、λ₂、...、λₙ是其特征值，则有λ₁+λ₂+...+λₙ = tr(A)，其中tr(A)表示矩阵A的迹。
（2）特征值的乘积等于矩阵的行列式如果A是一个n×n的矩阵，则特征值的乘积等于矩阵的行列式，即λ₁*λ₂*...*λₙ = det(A)，其中det(A)表示矩阵A的行列式。
（3）特征值的倒数等于矩阵的逆矩阵的特征值如果A是一个可逆矩阵，λ₁、λ₂、...、λₙ是其特征值，则A的逆矩阵的特征值为λ₁⁻¹、λ₂⁻¹、...、λₙ⁻¹。
三、特征值与特征向量的应用特征值和特征向量在实际问题中有广泛的应用。
下面列举了其中的几个应用领域：1. 特征值分解特征值分解是将一个矩阵分解为特征值和特征向量的形式。
特征值分解在许多领域中都有广泛的应用，如信号处理、图像压缩和降维等。
线性代数中的特征值与特征向量
线性代数中的特征值与特征向量特征值和特征向量是线性代数中的重要概念，广泛应用于物理、经济、计算机科学等领域。
本文将介绍特征值和特征向量的定义、性质以及其在矩阵对角化和特征分解中的应用。
一、特征值与特征向量的定义在线性代数中，给定一个 n×n 的矩阵 A，我们称零向量v≠0 是矩阵A 的特征向量，如果存在一个实数λ，使得Av=λv。
特征值λ 是使得上述等式成立的实数。
特征向量与特征值是成对出现的，每个特征向量都有一个对应的特征值。
二、特征值与特征向量的性质1. 特征值与特征向量的数目相等对于一个 n×n 的矩阵 A，它最多能有 n 个线性无关的特征向量。
而特征值也最多有n 个。
一个特征值可以对应多个线性无关的特征向量。
2. 特征向量的积性质如果 v 是 A 的特征向量，那么对于任意实数 c，cv 也是 A 的特征向量，且特征值保持不变。
3. 特征向量的加性质如果 v1 和 v2 是 A 的特征向量，对应相同的特征值λ，那么 v1+v2也是 A 的特征向量，对应特征值λ。
三、特征值与特征向量的计算要计算一个矩阵的特征值和特征向量，我们需要求解方程Av=λv。
1. 寻找特征值对于一个 n×n 的矩阵 A，我们需要求解行列式 |A-λI|=0 的根，其中I 是 n 阶单位矩阵。
这样可以得到 A 的特征值。
2. 寻找特征向量对于每个特征值λ，我们需要求解方程组 (A-λI)v=0，其中 v 是特征向量。
解这个齐次方程组可以得到 A 的特征向量。
四、特征值与特征向量的应用1. 矩阵对角化如果一个 n×n 的矩阵 A 有 n 个线性无关的特征向量，那么可以找到对角矩阵 D 和可逆矩阵 P，使得 P^{-1}AP=D。
对角矩阵 D 中的对角元素就是特征值，P 中的列向量就是对应的特征向量。
2. 特征分解对于一个对称矩阵 A（A=A^T），可以进行特征分解，表示为A=QΛQ^T，其中 Q 是由 A 的特征向量组成的正交矩阵，Λ 是对角矩阵，其对角元素是 A 的特征值。
特征值和特征向量
特征值和特征向量特征值和特征向量是线性代数中重要的概念，广泛应用于各个领域的数学和科学问题中。
特征值和特征向量的理解和运用对于解决线性代数中的矩阵方程、特征分解以及一些实际问题有着重要的意义。
一、特征值与特征向量的定义在线性代数中，对于一个n阶方阵A，如果存在一个非零向量x，使得下式成立：A·x=λ·x其中，λ为一个复数，称为矩阵A的特征值，x称为对应于特征值的特征向量。
对于方阵A，可能存在多个特征值和对应的特征向量。
二、特征值和特征向量的性质1. 特征向量的长度无关紧要：特征向量的长度没有具体的要求，只要方向相同即可。
2. 特征向量是线性的：如果v是一个A的特征向量，那么对于任意标量k都有kv仍是A的特征向量。
3. 不同特征值对应的特征向量是线性无关的：如果λ1≠λ2，则对应的特征向量v1和v2线性无关。
三、求解特征值和特征向量的方法针对不同的方阵A，求解特征值和特征向量的方法也有所不同，常用的方法有以下几种：1. 特征方程法：令A-λI=0，其中I是单位矩阵，解方程A-λI=0可以得到方阵A的特征值λ。
然后将特征值带入方程(A-λI)x=0，求解得到方阵A对应特征值的特征向量。
2. 幂法：通过迭代的方法求解矩阵的特征值和特征向量。
先随机选择一个向量x0，然后通过迭代运算得到序列x0，Ax0，A^2x0，...，A^nx0，其中n为迭代次数。
当n足够大时，序列将收敛到A的特征向量。
3. Jacobi方法：通过迭代矩阵的相似变换，将矩阵对角化。
该方法通过交换矩阵的不同行和列来逐步减小非对角元素，最终得到对角矩阵，对角线上的元素即为特征值。
四、特征值和特征向量的应用特征值和特征向量在很多领域中都有广泛的应用，包括以下几个方面：1. 图像处理：特征值和特征向量可用于图像的降维和特征提取，通过对图像的特征向量进行分析，可以获得图像的主要特征。
2. 特征分析：特征值和特征向量可用于分析复杂系统的稳定性、动态响应和振动特性，如机械系统、电路系统等。
线性代数特征值与特征向量
线性代数特征值与特征向量特征值与特征向量是线性代数中的重要概念，广泛应用于各个领域。
在本文中，我们将详细介绍特征值与特征向量的定义、性质以及应用。
一、特征值与特征向量的定义在线性代数中，给定一个n阶方阵A，如果存在一个非零向量v使得满足以下等式：Av = λv其中，v称为A的特征向量，λ称为A的特征值。
特征值与特征向量始终成对出现，不同特征向量对应的特征值可以相同，也可以不同。
二、特征值与特征向量的性质1. 特征向量的性质（1）特征向量可以进行线性组合。
即若v1和v2是矩阵A相应于特征值λ的特征向量，那么c1v1 + c2v2也是矩阵A相应于λ的特征向量（其中c1和c2为常数）。
（2）特征向量的数量最多为n。
对于一个n阶方阵A，它最多有n个线性无关的特征向量。
2. 特征值的性质（1）特征值具有可加性。
对于矩阵A和B，相应的特征值分别是λ1和μ1，那么A+B的特征值为λ1+μ1。
（2）特征值具有可乘性。
对于矩阵A和B，相应的特征值分别是λ1和μ1，那么A·B的特征值为λ1·μ1。
三、特征值与特征向量的求解方法特征值与特征向量的求解是通过解方程Av = λv来实现的。
常见的求解方法有以下两种：1. 特征方程法将Av = λv转化为(A-λI)v = 0，求解矩阵(A-λI)的零空间，即可得到特征向量v，然后代入Av = λv中求解λ。
2. 列主元法通过高斯消元法将矩阵A转化为上三角矩阵U，求解Ux = 0的基础解系，其中x即为特征向量，对应的主对角线元素即为特征值。
四、特征值与特征向量的应用特征值与特征向量在许多领域都有广泛的应用，以下是其中几个典型的应用案例：1. 矩阵对角化通过找到一个可逆矩阵P，使得P^-1AP = D，其中D是一个对角矩阵，对角线上的元素即为A的特征值。
矩阵对角化可以简化矩阵的运算，提高计算效率。
2. 矩阵压缩在图像处理和数据压缩中，特征值与特征向量可以用来进行矩阵的压缩。
特征值和特征向量
特征值和特征向量首先，我们先来了解一下矩阵。
矩阵是由一个矩形的数组组成的，其中的每个元素都可以是实数或复数。
例如，3x3的矩阵可以写为：A=[abc][def][ghi]Av=λv那么v就是矩阵A的特征向量，λ就是矩阵A的特征值。
换句话说，特征向量在矩阵的变换下只发生拉伸或缩放，而不发生旋转或扭曲。
特征值表示特征向量被拉伸或缩放的比例。
det(A - λI) = 0其中，det表示矩阵的行列式，I是单位矩阵。
通过解特征方程，我们可以求得特征值λ。
然后，我们可以将每个特征值代入原方程Av =λv中，从而求得对应的特征向量v。
1.矩阵的对角化：特征值和特征向量可以帮助我们将一个复杂的矩阵对角化，即将矩阵表示为对角矩阵的形式。
对角化后的矩阵更容易进行计算和分析，也更便于推导矩阵的性质。
2.矩阵的相似性：如果一个方阵A和B有相同的特征值和特征向量，那么A和B是相似的。
相似的矩阵在一些数学和物理问题中具有相同的性质和行为，因此，通过特征值和特征向量可以判断矩阵的相似性。
3.矩阵的主成分分析（PCA）：主成分分析是一种常用的数据降维方法，它可以通过计算矩阵的特征值和特征向量，将高维数据降低到低维空间中。
通过PCA，我们可以找到数据中最重要的特征和主要方向，从而减少冗余信息。
4.矩阵的奇异值分解（SVD）：奇异值分解是矩阵分解的一种重要方法，它可以将一个任意形状的矩阵表示为三个矩阵的乘积。
在奇异值分解中，矩阵的特征值和特征向量扮演了重要的角色。
5.线性变换和矩阵的谱：特征值和特征向量可以帮助我们理解和描述线性变换和矩阵的谱。
谱是矩阵A的特征值的集合，它可以提供关于矩阵的一些性质信息，比如矩阵的正定性、对称性、收敛性等。
总结起来，特征值和特征向量是矩阵理论中非常重要的概念。
它们可以帮助我们理解和描述矩阵的性质和变换，以及在许多实际问题中的应用。
特征值和特征向量的计算和应用对于数学、物理、工程和计算机科学等领域都有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课 题：矩阵的特征值和特征向量
教学目的：理解矩阵的特征值、特征向量的定义，掌握特征值、特征向量的求法 教学重点：特征值，特征向量的求法 教学时数：二学时 教学设计： I ．复习引入 II ．新课设计
4.1 矩阵的特征值
一．矩阵的特征值
1．定义：设A 为n 阶方阵，α为n 维非零向量，λ为一个数，若λαα=A ，则称λ为矩阵A 的一个特征值，所对应的向量α称为对应于λ特征向量。
例如：⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎭⎫
⎝
⎛321232122
2，此时2称为A 的特征值，而⎪⎪⎪⎭
⎫ ⎝⎛321称为对应于2的特征向量。
注意：一般来说，特征值和特征向量是成对出现的，但它们之间不是一一对应关系，一个特征值可能对应多个特征向量。
2．特征值和特征向量的求法
分析：由0)(0=-⇒=-⇒=αλαλαλααA I A A ，若设
⎪⎪⎪⎪⎪⎭⎫
⎝⎛=nn n n n n a a a a a a a a a A ...
(2)
1
22221
11211，⎪⎪
⎪⎪
⎪⎭
⎫
⎝⎛=n x x x 21α 则有⎪⎪⎪⎪
⎪⎭
⎫
⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎪⎭⎫
⎝⎛---------000...
(21)
21222
21
112
11
n nn n n n n x x x a a a
a a a a a a λλλ，此时为一个齐次线性方程组 0
...
00)(...
...
............)(...)(2
21122
2212112
121
11===⎪⎪
⎩
⎪⎪
⎨
⎧-+----+----n nn n n n
n n n x a x a x a x a x a x a x a x a x a λλλ
于是，要使特征值λ与特征向量α存在就是要使上述方程组有非零解)0(≠α，而齐
次线性方程组有非零解的条件为n A r <)(，由于此处的A 为方阵，也可以用克莱姆法则，即系数行列式=0，即0=-A I λ时，方程组有非零解。
以后，我们将A I -λ称为矩阵A 的特征矩阵，其对应的行列式A I -λ称为特征多项式，记为)(λf ，0=-A I λ称为特征方程。
（说明：今后也可以将I A λ-作为特征矩阵，这样可以避免符号的问题。
）
由此可见，求矩阵特征值和特征向量的步骤为：
⒈求特征方程0)(=-=A I f λλ所有的相异实根m λλλ,...,,21，这些相异实根就是矩阵A 的特征根；
⒉求方程组()0=-αλA I i 所有的非零解向量，这些向量就是对应于i λ的特征向量。
例1．求下列矩阵的特征值和特征向量
⑴.⎪⎪⎭
⎫ ⎝
⎛26
21 解：特征方程为5,201032
6
2
1
212
=-=⇒=--=----=
-λλλλλλλA I 为特征值，
21-=λ时，对应的方程组为⎩⎨
⎧=--=--0
460232121x x x x
⎪⎪⎭
⎫ ⎝
⎛→⎪⎪⎭⎫ ⎝⎛----003/21
4623
，所以，方程组的基础解系为⎪⎪
⎭
⎫ ⎝⎛-=132α，从而
21-=λ所对应的特征向量为0,1
32≠⎪⎪
⎭
⎫ ⎝⎛-
c c
52=λ时，对应的方程组为⎩⎨
⎧=+-=-0
360242121x x x x
⎪⎪⎭⎫ ⎝
⎛-→⎪⎪⎭⎫ ⎝
⎛--002/11
3624，所以，方程组的基础解系为⎪⎪⎭
⎫
⎝⎛=12/1α，从而
52=λ所对应的特征向量为0,121≠⎪⎪⎭
⎫
⎝⎛c c
⑵⎪⎪⎪⎭
⎫
⎝
⎛--=12
1101
365A 解：特征方程为20)2(3213
===⇒=-λλλλ，特征向量为⎪⎪⎪⎭⎫
⎝⎛+⎪⎪⎪⎭⎫ ⎝⎛-11001221c c 。
⑶⎪⎪⎪⎭
⎫
⎝
⎛-----=12
2212
221
A 解：特征方程为0)5()1(2=+-λλ，
51-=λ时，特征向量为⎪⎪⎪⎭⎫ ⎝⎛-111c ，132==λλ时，特征向量为⎪⎪⎪⎭⎫
⎝⎛+⎪⎪⎪⎭⎫ ⎝⎛10101121c c ⑷⎪⎪⎪⎭
⎫
⎝
⎛=00
1010
100
A 解：特征方程为0)1)(1(2
=-+λλ，
11-=λ时，特征向量为⎪⎪⎪⎭⎫ ⎝⎛-101c ，132==λλ时，特征向量为⎪⎪⎪
⎭⎫
⎝⎛+⎪⎪⎪⎭⎫ ⎝⎛10101021c c
⑸⎪⎪⎪⎪
⎪⎭
⎫
⎝
⎛------=11
1
111111111
1111
A 解：特征方程为0)2)(2(3
=-+λλ
21-=λ时，特征向量为⎪⎪⎪⎪⎪⎭⎫ ⎝⎛-1111c ，2432===λλλ，特征向量为⎪⎪⎪⎪
⎪⎭
⎫ ⎝⎛+⎪⎪⎪⎪⎪⎭⎫ ⎝⎛+⎪⎪⎪⎪⎪⎭⎫ ⎝⎛100101010011321c c c 。
例2．证明：若λ是A 的特征值，求证2λ为2A 的特征值。
（利用定义）
证明：设β时矩阵A 对应于λ的特征值，由题意βλλβββ22)()(===A A A A ，所以2λ为2A 的特征值。
例3．证明：A 为n 阶奇异阵⇔A 有一个特征值为0。
证明：“⇒”因为A 为奇异阵，则0=A ，所以0)1(0=-=-=-A A A I n
，故0为特征值。
“⇐”设0为A 的特征值，对应的特征向量1x ，0011==x Ax ，所以1x 为01=Ax 的非零解，故0=A ，即A 为n 阶奇异阵。
二．特征值与特征向量的性质 1．特征值的性质
⑴A 与T A 有相同的特征值；
⑵)(ij a A =，若11
<∑=n
i ij a 或11
<∑=n
j ij a 有一个成立，则1<k λ。
2．特征向量的性质
⑴矩阵A 对应于不同特征值的特征向量线性无关；
⑵矩阵A 任一特征值i λ的特征向量m ααα,...,,21的任一非零线性组合仍是对应于i λ的特征向量。
例4．已知λ与α为可逆矩阵A 的特征值和特征向量，求1-A 与*A 的特征值与特征向量。
解：0≠=λααA ，则0≠λ，又A 可逆，即1-A 存在，∴)()(1
1λαα--=A A A ⇒
αλα1
-=A ，αλ
α1
1=
∴-A ，λ
1
∴
是1-A 的特征值，α是1-A 对应于
λ
1
的特征向量。
1
**1
1--=⇒=
A A A A A
A
,αλ
ααA A A A 1
1*=
=∴-,λ
A
∴
是*A 的特征值，α是*
A 对应于
λ
A
的特征向量。
III ．小结：特征值与特征向量的定义，求法 IV ．作业。