💰 3X3 Eigenvalue 計算機

「3×3 矩陣特徵值計算器」能算出任意實數 3×3 矩陣的三個特徵值。所謂特徵值，就是使方程式 Av = \lambda v 存在非零向量 v 成立的特殊純量 \lambda。它揭示了一個線性變換沿著其特徵方向如何拉伸空間，在物理、工程、統計（主成分分析 PCA）以及穩定性分析中都扮演關鍵角色。

依照格子位置輸入矩陣 A 的九個元素（從 a₁₁ 到 a₃₃），再按下送出即可。計算器會建立特徵多項式 \det(A - \lambda I) = 0，求解所得到的三次方程式，並將特徵值由大到小排序輸出，同時附上跡（trace）與行列式（determinant）作為內建的驗算依據。

對於 3×3 矩陣，特徵方程式會展開成一個三次式：

其中 tr(A) 是主對角線元素的總和，m 則是三個主要 2×2 子行列式（minors）的總和。乘上 -1 後可得到首項係數為 1 的標準三次式，再以 Cardano 公式（卡丹諾法）或三角函數法精確求解。有兩個實用的恆等式可以驗證答案：所有特徵值的「總和」等於跡，所有特徵值的「乘積」等於行列式。

取一個對稱矩陣，三列分別為 [2,0,0]、[0,3,4]、[0,4,9]。它的跡為 14，行列式為 2·(27-16)=22。右下角的區塊 [[3,4],[4,9]] 的特徵值為 11 與 1，而獨立的 2 則提供第三個特徵值。因此特徵值就是 11、2、1——與計算器算出的結果完全一致。

特徵值描述矩陣沿著其特徵方向如何伸展、壓縮、翻轉或旋轉空間。它們的符號和結構具有直接的含義。

• 所有特徵值為正（>0）：矩陣是正定的（針對對稱 A）。它將每個方向向外伸展；二次型 x^\top A x 始終為正。這是優化中嚴格局部最小值的條件，也是有效共變異數矩陣的條件。
• 所有特徵值為負（<0）：負定的 — 每個方向都被壓縮/反射。在動力系統中，這意味著漸進穩定的平衡點。
• 混合符號：矩陣是不定的 — 鞍點。某些方向擴展，其他方向收縮。
• 特徵值等於 0：矩陣是奇異的（不可逆的），且 \det(A)=0。它至少將一個方向坍縮到原點；零空間是相應的特徵空間。

重複和複數根

• 重複（退化的）特徵值：比較代數重數和幾何重數。如果重複的特徵值仍然有足夠的獨立特徵向量（幾何重數 = 代數重數），矩陣是 可對角化的；如果特徵向量太少，它是 缺陷的，需要約當形式。
• 複共軛對 a± bi：實 3×3 矩陣總是至少有一個實特徵值，因此複數根出現為單個共軛對加上一個實值。該對表示 2D 不變平面中的旋轉伴隨伸縮；模 √(a^2+b^2) 設定增長/衰減率，幅角設定旋轉角。

領域含義

在 穩定性分析 中，系統雅可比矩陣的特徵值決定平衡行為：實部為負 → 穩定，任何正實部 → 不穩定，純虛數 → 振盪。在 主成分分析（PCA） 中，共變異數矩陣的特徵值等於沿著每個主方向（特徵向量）捕捉的變異數；最大的特徵值標記最大散布的軸，每個特徵值與它們總和的比值是解釋的總變異數分數。

特徵值 (\lambda)

標量使得 Av=\lambdav 對於某個非零向量 v；它是矩陣按該方向縮放的因子。

特徵向量 (v)

非零向量，其方向在乘以矩陣時保持不變（僅被縮放）；它張成其特徵值的特徵空間。

特徵多項式

多項式 \det(A-\lambda I)；對於 3×3 矩陣，它是三次方程 \lambda^3-tr(A)\lambda^2+m\lambda-\det(A)，其根是特徵值。

跡數 tr(A)

對角線元素的和 a_{11}+a_{22}+a_{33}；它等於特徵值的和。

行列式 \det(A)

測量變換體積縮放的標量；它等於特徵值的乘積。零行列式意味著奇異矩陣。

主 2×2 子式 (m)

刪除一個匹配行和列後剩餘的三個 2×2 行列式之和；它是特徵三次方程中 \lambda 的係數，等於特徵值配對乘積的和。

代數重數

特徵值作為特徵多項式的根出現的次數。

幾何重數

特徵值的線性獨立特徵向量的個數（其特徵空間的維數）。它永遠不超過代數重數；每個特徵值的相等表示矩陣是可對角化的。

複共軛特徵值

出現在實矩陣中的一對 a+bi 和 a-bi；它們表示不變平面中的旋轉成分。

單位矩陣 (I)

對角線上為 1、其他地方為 0 的方陣；\lambda I 從 A 中減去以形成 A-\lambda I。