从定义出发，Ax=cx：A为矩阵，c为特征值，x为特征向量。
矩阵A乘以x表示，对向量x进行一次转换（旋转或拉伸）（是一种线性转换），而该转换的效果为常数c乘以向量x（即只进行拉伸）。
通常求特征值和特征向量即为求出该矩阵能使哪些向量（当然是特征向量）只发生拉伸，使其发生拉伸的程度如何（特征值大小）。
扩展资料：
数值计算的原则：
在实践中，大型矩阵的特征值无法通过特征多项式计算，计算该多项式本身相当费资源，而精确的“符号式”的根对于高次的多项式来说很难计算和表达：阿贝尔－鲁费尼定理显示高次（5次或更高）多项式的根无法用n次方根来简单表达。
对于估算多项式的根的有效算法是有的，但特征值的小误差可以导致特征向量的巨大误差。求特征多项式的零点，即特征值的一般算法，是迭代法。最简单的方法是幂法：取一个随机向量v，然后计算一系列单位向量。
这个题本身比较简单，但是为了说明一般过程，还是一步步按照正常流程来做。
先求特征值，再求基础解析，最后求特征向量：
以上，请采纳。
矩阵的特征方程式是：
A * x = lamda * x
这个方程可以看出什么？矩阵实际可以看作一个变换，方程左边就是把向量x变到另一个位置而已；右边就是把向量x作了一个拉伸，拉伸量是lamda。那么它的意义就很明显了，表达了矩阵A的一个特性就是这个矩阵可以把向量x拉长（或缩短）lamda倍，仅此而已。
任意给定一个矩阵A，并不是对所有的x它都能拉长（缩短）。凡是能被A拉长（缩短）的向量称为A的特征向量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）。
值得注意的是，我们说的特征向量是一类向量，因为任意一个特征向量随便乘以一个标量结果肯定也满足以上方程，当然这两个向量都可以看成是同一个特征向量，而且它们也都对应同一个特征值。
如果特征值是负数，那说明了矩阵不但把向量拉长（缩短）了，而且让向量指向了相反的方向。
扩展资料
矩阵的意义上，先介绍几个抽象概念：
1、核：
所有经过变换矩阵后变成了零向量的向量组成的集合，通常用Ker(A)来表示。假如你是一个向量，有一个矩阵要来变换你，如果你不幸落在了这个矩阵的核里面，那么很遗憾转换后你就变成了虚无的零。
特别指出的是，核是“变换”(Transform)中的概念，矩阵变换中有一个相似的概念叫“零空间”。有的材料在谈到变换的时候使用T来表示，联系到矩阵时才用A，本文把矩阵直接看作“变换”。核所在的空间定义为V空间，也就是全部向量原来在的空间。
2、值域：
某个空间中所有向量经过变换矩阵后形成的向量的集合，通常用R（A）来表示。假设你是一个向量，有一个矩阵要来变换你，这个矩阵的值域表示了你将来可能的位置，你不可能跑到这些位置之外。值域的维度也叫做秩（Rank）。值域所在的空间定义为W空间。W空间中不属于值域的部分等会儿我们会谈到。
3、空间：
向量加上加、乘运算构成了空间。向量可以（也只能）在空间中变换。使用坐标系（基）在空间中描述向量。
不管是核还是值域，它们都是封闭的。意思是如果你和你的朋友困在核里面，你们不管是相加还是相乘都还会在核里面，跑不出去。这就构成了一个子空间。值域同理。
求特征向量：Ax=cx，矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值。
一个线性变换通常可以由其特征值和特征向量完全描述。特征空间是相同特征值的特征向量的集合。“特征”一词来自德语的eigen。1904年希尔伯特首先在这个意义下使用了这个词，更早亥尔姆霍尔兹也在相关意义下使用过该词。eigen一词可翻译为”自身的”、“特定于……的”、“有特征的”、或者“个体的”，这显示了特征值对于定义特定的线性变换的重要性。
