特征值与特征向量

特征向量是在变换下方向不改变的特殊轴，特征值只记录沿该轴被缩放或反向多少。一般线性变换会混合方向，特征向量却沿某条方向只发生缩放。寻找它们等价于寻找 $T-\lambda I$ 的非零核；因此特征值不是矩阵中显眼的数字，而是使该映射失去可逆性的参数。拥有足够多独立特征向量时，整个变换可拆成互不耦合的一维缩放。

对对角矩阵 $\mathrm{diag}(2,3)$，标准基向量分别是特征值$2,3$ 的特征向量。平面 ${90}^{\circ }$ 旋转在 $\mathbb{R}$ 上无特征值，在 $\mathbb{C}$ 上有 $i,-i$。剪切矩阵 $\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right)$ 只有特征值$1$，其特征空间仅一维，说明拥有特征值不保证有特征向量基。若 $v$ 是特征向量，则任何非零标量倍仍是同一特征空间中的特征向量；“特征向量”不是唯一规范向量。一般线性映射 $V\to W$ 在定义域和陪域不同的情况下没有标准特征值概念。对称矩阵

满足 $A(1,1{)}^{\mathsf{T}}=3(1,1{)}^{\mathsf{T}}$、$A(1,-1{)}^{\mathsf{T}}=(1,-1{)}^{\mathsf{T}}$。两个特征向量正交并构成一组基，所以任意向量都可拆成这两个方向上的分量；反复作用 $A^n$ 时，它们分别被放大为 $3^n$ 倍与保持不变。这比直接乘算高次矩阵更能揭示长期行为。特征值相同并不意味着特征向量相同，特征向量也没有唯一归一化；真正稳定的对象是整个特征空间。

特征值由 特征多项式公理库特征多项式Characteristic polynomial由 det(λI−T) 定义并编码线性算子特征值的多项式。 刻画，特征空间是 不变子空间公理库不变子空间Invariant subspace在线性算子作用下保持封闭、可被单独限制研究的子空间。，二者为对角化公理库对角化Diagonalization在线性算子存在由特征向量构成的基时把其矩阵化为对角形。与谱定理提供基本块。缺少完整特征基时，广义特征向量与 Jordan 结构会补足精确代数信息。

这一定义关系不把“先展开特征多项式、再求其根”推荐为浮点算法：幂法公理库幂迭代Power method · Power iteration反复应用矩阵并归一化，以谱隙筛出唯一主模特征方向，同时用残差判断所得特征对。只追踪可达的主特征方向，一般稠密特征值计算则以Schur 结构公理库Schur 分解Schur decomposition · Schur triangularization · Real Schur form用酉或正交相似变换把一般矩阵化为上三角或实准上三角形，作为浮点全谱计算的稳定结构目标。和QR 特征值算法公理库QR 特征值算法QR algorithm · Shifted QR algorithm · Francis QR algorithm先化 Hessenberg 或三对角形，再用隐式移位 QR、bulge chasing 与 deflation 计算 Schur 形和全部特征值。为主线。

特征结构还揭示迭代动力学、微分方程稳定性和 Markov 链长期行为；图 Laplacian公理库图 LaplacianGraph Laplacian · Laplacian matrix用度矩阵减邻接矩阵得到的算子，以二次型衡量相邻顶点取值的不一致。的零特征空间与低端谱把这些工具带入图连通和割结构。