特征值与特征向量

特征值与特征向量（Eigenvalue & Eigenvector）

一句话定义

特征值 $\lambda$ 和特征向量 $v\ne 0$ 满足 $Tv=\lambda v$——算子在这些方向上”只是拉伸”，不改变方向。特征值是算子的”DNA”。

形式定义

设 $T\in \mathcal{L}(V)$，$\lambda \in \mathbb{F}$：

• $\lambda$ 是 $T$ 的特征值，若 $\exists v\ne 0,Tv=\lambda v$
• $v$ 是对应 $\lambda$ 的特征向量，即 $v\in \text{null}(T-\lambda I)$ 且 $v\ne 0$

等价条件（定理 5.7）：$\lambda$ 是特征值 $\iff$ $T-\lambda I$ 不是单射 $\iff$ $T-\lambda I$ 不可逆。

核心定理

特征向量的线性无关性（定理 5.11）

不同特征值对应的特征向量线性无关。

推论：互异特征值个数 $\le \dim V$

复数域特征值存在性（定理 5.19）

每个有限维复向量空间上的算子都有特征值。

这是 $\mathbb{C}$ 与 $\mathbb{R}$ 的根本区别——实数域上旋转算子（90°）没有特征值。

特征空间（定义 5.52）

$E(\lambda ,T)=\text{null}(T-\lambda I)=\{v:Tv=\lambda v\}$

• 是 $V$ 的子空间
• $\dim E(\lambda ,T)=$ 几何重数（$\ge 1$）
• 代数重数：$\lambda$ 作为特征多项式根的重数

可对角化（5D 节）

等价条件（定理 5.55）

$T$ 可对角化 $\iff$ 以下任一条件成立：

1. $V$ 有一组由特征向量构成的基
2. $V=E({\lambda }_1,T)\oplus \cdots \oplus E({\lambda }_m,T)$
3. $\dim V=\sum \dim E({\lambda }_i,T)$
4. 最小多项式无重根

判别法

• $\dim V$ 个互异特征值 $\Rightarrow$ 可对角化（定理 5.58）
• 但互异特征值不够多时也可能可对角化

与其他概念的联系

• operator：特征值是理解算子结构的钥匙
• diagonalization：可对角化 $\iff$ 特征向量够用（每个特征值的几何重数 = 代数重数）
• spectral-theorem：谱定理是可对角化在内积空间的强化——不仅可对角化，还能选规范正交基
• jordan-form-theorem：若当型处理不可对角化（几何重数 < 代数重数）的情况

常见误区

Warning

1. 特征值不随域而变：$\mathbb{C}$ 上的特征值也是 $\mathbb{R}$ 上的（如果实系数多项式有复根，则共轭成对出现）
2. 几何重数 vs 代数重数：几何重数 $\le$ 代数重数；可对角化要求相等
3. 可对角化 ≠ 任意矩阵：不可对角化的复矩阵（如 若当块）也是复矩阵

章节定位

第 5 章引入特征值语言，是从”抽象线性映射”到”具体矩阵分解”的关键过渡。特征值是算子的”DNA”，最小多项式是”基因图谱”。

详见：第5章 复向量空间上的算子 — 章节汇总