本章主要讨论方阵的特征值与特征向量、方阵的相似对角化和二次型的化简等问题,其中涉及向量的内积、长度及正交等知识,下面先介绍这些知识。——线性代数同济版
本章主要介绍了特征值、特征向量、对角化以及二次型的计算方法。
目录
- 8.设 n n n阶矩阵 A , B \bm{A},\bm{B} A,B满足 R ( A ) + R ( B ) < n R(\bm{A})+R(\bm{B})<n R(A)+R(B)<n,证明 A \bm{A} A与 B \bm{B} B有公共的特征值和公共的特征向量。
- 12.已知 3 3 3阶矩阵 A \bm{A} A的特征值为 1 , 2 , 3 1,2,3 1,2,3,求 ∣ A 3 − 5 A 2 + 7 A ∣ |\bm{A}^3-5\bm{A}^2+7\bm{A}| ∣A3−5A2+7A∣。
- 24.设 a = ( a 1 , a 2 , ⋯ , a n ) T , a 1 ≠ 0 , A = a a T . \bm{a}=(a_1,a_2,\cdots,a_n)^\mathrm{T},a_1\ne0,\bm{A}=\bm{aa}^\mathrm{T}. a=(a1,a2,⋯,an)T,a1=0,A=aaT.
- 30.证明二次型 f = x T A x f=\bm{x}^\mathrm{T}\bm{Ax} f=xTAx在 ∥ x ∥ = 1 \lVert x\rVert=1 ∥x∥=1时的最大值为矩阵 A \bm{A} A的最大特征值。
- 写在最后
8.设 n n n阶矩阵 A , B \bm{A},\bm{B} A,B满足 R ( A ) + R ( B ) < n R(\bm{A})+R(\bm{B})<n R(A)+R(B)<n,证明 A \bm{A} A与 B \bm{B} B有公共的特征值和公共的特征向量。
证 显然
R
(
A
)
<
n
R(\bm{A})<n
R(A)<n,另一方面,
A
\bm{A}
A不可逆,故
0
0
0是
A
\bm{A}
A的特征值。
同理,
0
0
0也是
B
\bm{B}
B的特征值。故此,方程组
{
A
x
=
0
,
B
x
=
0
\begin{cases}\bm{Ax}=\bm{0},\\\bm{Bx}=\bm{0}\end{cases}
{Ax=0,Bx=0有非零解。由矩阵的性质知
R
(
A
T
,
B
T
)
⩽
R
(
A
T
)
+
R
(
B
T
)
<
n
.
R(\bm{A}^\mathrm{T},\bm{B}^\mathrm{T})\leqslant R(\bm{A}^\mathrm{T})+R(\bm{B}^\mathrm{T})<n.
R(AT,BT)⩽R(AT)+R(BT)<n.
综上,
A
\bm{A}
A与
B
\bm{B}
B有公共的特征向量。(这道题主要利用了矩阵的性质求解)
12.已知 3 3 3阶矩阵 A \bm{A} A的特征值为 1 , 2 , 3 1,2,3 1,2,3,求 ∣ A 3 − 5 A 2 + 7 A ∣ |\bm{A}^3-5\bm{A}^2+7\bm{A}| ∣A3−5A2+7A∣。
解 令
φ
(
λ
)
=
λ
3
−
5
λ
2
+
7
λ
\varphi(\lambda)=\lambda^3-5\lambda^2+7\lambda
φ(λ)=λ3−5λ2+7λ。因
1
,
2
,
3
1,2,3
1,2,3是
A
\bm{A}
A的特征值,故
φ
(
1
)
=
3
,
φ
(
2
)
=
2
,
φ
(
3
)
=
3
\varphi(1)=3,\varphi(2)=2,\varphi(3)=3
φ(1)=3,φ(2)=2,φ(3)=3是
φ
(
A
)
=
A
3
−
5
A
2
+
7
A
\varphi(\bm{A})=\bm{A}^3-5\bm{A}^2+7\bm{A}
φ(A)=A3−5A2+7A的特征值。又:
φ
(
A
)
\varphi(\bm{A})
φ(A)为
3
3
3阶方阵,这样
φ
(
1
)
,
φ
(
2
)
,
φ
(
3
)
\varphi(1),\varphi(2),\varphi(3)
φ(1),φ(2),φ(3)便是
φ
(
A
)
\varphi(\bm{A})
φ(A)的全部特征值。由特征值性质得
d
e
t
(
A
)
=
φ
(
1
)
φ
(
2
)
φ
(
3
)
=
18
\mathrm{det}(\bm{A})=\varphi(1)\varphi(2)\varphi(3)=18
det(A)=φ(1)φ(2)φ(3)=18
(这道题主要利用了矩阵多项式与特征值求解)
24.设 a = ( a 1 , a 2 , ⋯ , a n ) T , a 1 ≠ 0 , A = a a T . \bm{a}=(a_1,a_2,\cdots,a_n)^\mathrm{T},a_1\ne0,\bm{A}=\bm{aa}^\mathrm{T}. a=(a1,a2,⋯,an)T,a1=0,A=aaT.
(1)证明 λ = 0 \lambda=0 λ=0是 A \bm{A} A的 n − 1 n-1 n−1重特征值;
证 首先证明 λ = 0 \lambda=0 λ=0是 A \bm{A} A的 n − 1 n-1 n−1重特征值。注意到 A \bm{A} A为对称阵,故 A \bm{A} A可以与对角阵 Λ \bm{\varLambda} Λ相似。显然 R ( A ) = 1 R(\bm{A})=1 R(A)=1,从而 R ( Λ ) = 1 R(\bm{\varLambda})=1 R(Λ)=1,于是 Λ \bm{\varLambda} Λ只有一个非零对角元,即 λ = 0 \lambda=0 λ=0是 A \bm{A} A的 n − 1 n-1 n−1重特征值。(这道题主要利用了矩阵秩求解)
(2)求 A \bm{A} A的非零特征值及 n n n个线性无关的特征向量。
解 其次求
A
\bm{A}
A的非零特征值,因
A
=
a
a
T
\bm{A}=\bm{aa}^\mathrm{T}
A=aaT的对角元之和为
∑
a
i
2
\sum a_i^2
∑ai2,又由特征值性质:
A
\bm{A}
A的
n
n
n个特征值之和为它的
n
n
n个对角元之和,从而由上知
∑
a
i
2
\sum a_i^2
∑ai2为
A
\bm{A}
A的非零特征值。
再求
A
\bm{A}
A的特征向量。对应于
λ
=
0
\lambda=0
λ=0,解方程
A
x
=
0
\bm{Ax}=\bm{0}
Ax=0。由
A
=
(
a
1
2
a
1
a
2
⋯
a
1
a
n
a
2
a
1
a
2
2
⋯
a
2
a
n
⋮
⋮
⋮
a
n
a
1
a
n
a
2
⋯
a
n
2
)
∼
(
a
1
a
2
⋯
a
n
0
0
⋯
0
⋮
⋮
⋮
0
0
⋯
0
)
.
\bm{A}=\begin{pmatrix}a^2_1&a_1a_2&\cdots&a_1a_n\\a_2a_1&a^2_2&\cdots&a_2a_n\\\vdots&\vdots&&\vdots\\a_na_1&a_na_2&\cdots&a_n^2\end{pmatrix}\sim\begin{pmatrix}a_1&a_2&\cdots&a_n\\0&0&\cdots&0\\\vdots&\vdots&&\vdots\\0&0&\cdots&0\end{pmatrix}.
A=⎝⎜⎜⎜⎛a12a2a1⋮ana1a1a2a22⋮ana2⋯⋯⋯a1ana2an⋮an2⎠⎟⎟⎟⎞∼⎝⎜⎜⎜⎛a10⋮0a20⋮0⋯⋯⋯an0⋮0⎠⎟⎟⎟⎞.
得
n
−
1
n-1
n−1个线性无关的特征向量为
ξ
2
=
(
−
a
2
a
1
1
0
⋮
0
)
,
ξ
3
=
(
−
a
3
a
1
0
1
⋮
0
)
,
⋯
,
ξ
n
=
(
−
a
n
a
1
0
0
⋮
1
)
.
\bm{\xi}_2=\begin{pmatrix}-\cfrac{a_2}{a_1}\\1\\0\\\vdots\\0\end{pmatrix},\bm{\xi}_3=\begin{pmatrix}-\cfrac{a_3}{a_1}\\0\\1\\\vdots\\0\end{pmatrix},\cdots,\bm{\xi}_n=\begin{pmatrix}-\cfrac{a_n}{a_1}\\0\\0\\\vdots\\1\end{pmatrix}.
ξ2=⎝⎜⎜⎜⎜⎜⎜⎜⎛−a1a210⋮0⎠⎟⎟⎟⎟⎟⎟⎟⎞,ξ3=⎝⎜⎜⎜⎜⎜⎜⎜⎛−a1a301⋮0⎠⎟⎟⎟⎟⎟⎟⎟⎞,⋯,ξn=⎝⎜⎜⎜⎜⎜⎜⎜⎛−a1an00⋮1⎠⎟⎟⎟⎟⎟⎟⎟⎞.
对应于
λ
1
=
∑
a
i
2
\lambda_1=\sum a_i^2
λ1=∑ai2的特征向量
ξ
1
\bm{\xi}_1
ξ1。由
A
=
a
a
T
\bm{A}=\bm{aa}^\mathrm{T}
A=aaT,有
A
a
=
(
a
a
T
)
a
=
a
(
a
T
a
)
=
(
a
T
a
)
a
.
\bm{Aa}=(\bm{aa}^{\mathrm{T}})\bm{a}=\bm{a}(\bm{a}^\mathrm{T}\bm{a})=(\bm{a}^\mathrm{T}\bm{a})\bm{a}.
Aa=(aaT)a=a(aTa)=(aTa)a.
按定义,即知
A
\bm{A}
A有非零特征值
λ
1
=
a
T
a
\lambda_1=\bm{a}^\mathrm{T}\bm{a}
λ1=aTa,且对应特征向量为
a
\bm{a}
a。(这道题主要利用了对角矩阵的性质求解)
30.证明二次型 f = x T A x f=\bm{x}^\mathrm{T}\bm{Ax} f=xTAx在 ∥ x ∥ = 1 \lVert x\rVert=1 ∥x∥=1时的最大值为矩阵 A \bm{A} A的最大特征值。
证 设
λ
1
⩾
λ
2
⩾
⋯
⩾
λ
n
\lambda_1\geqslant\lambda_2\geqslant\cdots\geqslant\lambda_n
λ1⩾λ2⩾⋯⩾λn为
A
\bm{A}
A的
n
n
n个特征值,由定理知,有正交变换
x
=
Q
y
\bm{x}=\bm{Qy}
x=Qy,使
f
(
x
)
=
λ
1
y
1
2
+
⋯
+
λ
n
y
n
2
f(\bm{x})=\lambda_1y_1^2+\cdots+\lambda_ny_n^2
f(x)=λ1y12+⋯+λnyn2。又
∥
y
∥
=
y
T
y
=
y
T
Q
T
Q
y
=
x
T
x
=
∥
x
∥
=
1
\lVert y\rVert=\bm{y}^\mathrm{T}\bm{y}=\bm{y}^\mathrm{T}\bm{Q}^\mathrm{T}\bm{Q}\bm{y}=\bm{x}^\mathrm{T}\bm{x}=\lVert x\rVert=1
∥y∥=yTy=yTQTQy=xTx=∥x∥=1,从而
m
a
x
∥
x
∥
=
1
f
(
x
)
=
m
a
x
∑
y
i
2
=
1
(
λ
1
y
1
2
+
⋯
+
λ
n
y
n
2
)
⩽
λ
1
m
a
x
∑
y
i
2
=
1
∑
y
i
2
=
1
=
λ
1
.
\begin{aligned} \underset{\lVert x\rVert=1}{\mathrm{max}}f(\bm{x})&=\underset{\sum y_i^2=1}{\mathrm{max}}(\lambda_1y_1^2+\cdots+\lambda_ny_n^2)\\ &\leqslant\lambda_1\underset{\sum y_i^2=1}{\mathrm{max}}\sum y_i^2=1=\lambda_1. \end{aligned}
∥x∥=1maxf(x)=∑yi2=1max(λ1y12+⋯+λnyn2)⩽λ1∑yi2=1max∑yi2=1=λ1.
(这道题主要利用了正交变换证明)
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。