1 基本概念
-
设 A \boldsymbol{A} A 是 n n n 阶矩阵, λ \lambda λ 是一个数,若存在 n n n 维非零列向量 ξ ≠ 0 \xi \ne 0 ξ=0 使得 A ξ = λ ξ \boldsymbol{A\xi}=\lambda\boldsymbol{\xi} Aξ=λξ,则称 λ \lambda λ 是 A \boldsymbol{A} A 的特征值, ξ \boldsymbol{\xi} ξ 是 A \boldsymbol{A} A 对应于特征值 λ \lambda λ 的特征向量。
-
( λ E − A ) ξ = 0 (\lambda\boldsymbol{E}-\boldsymbol{A})\boldsymbol{\xi}=\boldsymbol{0} (λE−A)ξ=0,因 ξ ≠ 0 \boldsymbol{\xi} \ne 0 ξ=0,故 A \boldsymbol{A} A 的特征方程(未知量为 λ \lambda λ 的 n n n 次方程,有 n n n 个根(重根按重数计))为
∣ λ E − A ∣ = ∣ λ − a 11 − a 12 ⋯ − a 1 n − a 21 λ − a 22 ⋯ − a 2 n ⋮ ⋮ ⋮ − a n 1 − a n 2 ⋯ λ − a 1 n ∣ = 0 \begin{vmatrix} \lambda\boldsymbol{E}-\boldsymbol{A} \end{vmatrix} = \begin{vmatrix} \lambda-a_{11} & -a_{12} & \cdots & -a_{1n}\\ -a_{21} & \lambda-a_{22} & \cdots & -a_{2n}\\ \vdots & \vdots & & \vdots\\ -a_{n1} & -a_{n2} & \cdots & \lambda-a_{1n}\\ \end{vmatrix} =0 ∣∣λE−A∣∣=∣∣∣∣∣∣∣∣∣λ−a11−a21⋮−an1−a12λ−a22⋮−an2⋯⋯⋯−a1n−a2n⋮λ−a1n∣∣∣∣∣∣∣∣∣=0 -
λ E − A \lambda\boldsymbol{E}-\boldsymbol{A} λE−A 称为特征矩阵, ∣ λ E − A ∣ \begin{vmatrix} \lambda\boldsymbol{E}-\boldsymbol{A} \end{vmatrix} ∣∣λE−A∣∣称为特征多项式。
2 特征值的性质
- 设
A
=
(
a
i
j
)
n
×
n
\boldsymbol{A}=(a_{ij})_{n \times n}
A=(aij)n×n,
λ
i
(
i
=
1
,
2
,
⋯
,
n
)
\lambda_i(i=1,2,\cdots,n)
λi(i=1,2,⋯,n) 是
A
\boldsymbol{A}
A 的特征值,则:
- ∑ i = 1 n λ i = ∑ i = 1 n a i i \sum\limits_{i=1}^{n}\lambda_i=\sum\limits_{i=1}^{n}a_{ii} i=1∑nλi=i=1∑naii
- ∏ i = 1 n λ i = ∣ A ∣ \prod\limits_{i=1}^{n}\lambda_i=\begin{vmatrix} \boldsymbol{A} \end{vmatrix} i=1∏nλi=∣∣A∣∣
- 应用: A \boldsymbol{A} A 是 n n n 阶矩阵,若 r ( A ) = 1 r(\boldsymbol{A})=1 r(A)=1,则 A \boldsymbol{A} A 的特征值为: λ 1 = λ 2 = ⋯ = λ n − 1 = 0 , λ n = ∑ i = 1 n a i i \lambda_1=\lambda_2=\cdots=\lambda_{n-1}=0,\lambda_n=\sum\limits_{i=1}^{n}a_{ii} λ1=λ2=⋯=λn−1=0,λn=i=1∑naii。
3 特征向量的性质
- k k k 重特征值 λ \lambda λ 至多有 k k k 个线性无关的特征向量;
- 设 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2 是 A \boldsymbol{A} A 的两个不同的特征值,若 ξ \boldsymbol{\xi} ξ 是对应于 λ 1 \lambda_1 λ1 的特征向量,则 ξ \boldsymbol{\xi} ξ 不是 λ 2 \lambda_2 λ2 的特征向量(即一个特征向量不能属于两个不同的特征值);
- 若 ξ 1 , ξ 2 \boldsymbol{\xi}_1,\boldsymbol{\xi}_2 ξ1,ξ2 是 A \boldsymbol{A} A 的属于不同特征值 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2 的特征向量,则 ξ 1 , ξ 2 \boldsymbol{\xi}_1,\boldsymbol{\xi}_2 ξ1,ξ2 线性无关;
- 若 ξ 1 , ξ 2 \boldsymbol{\xi}_1,\boldsymbol{\xi}_2 ξ1,ξ2 是 A \boldsymbol{A} A 的属于相同特征值 λ \lambda λ 的特征向量,则 k 1 ξ 1 + k 2 ξ 2 k_1\boldsymbol{\xi}_1+k_2\boldsymbol{\xi}_2 k1ξ1+k2ξ2( k 1 , k 2 k_1,k_2 k1,k2 不同时为 0️⃣)仍是 A \boldsymbol{A} A 的属于特征值 λ \lambda λ 的特征向量;
- 设 A \boldsymbol{A} A 为 n n n 阶矩阵, A ξ 1 = λ 1 ξ 1 , A ξ 2 = λ 2 ξ 2 , λ 1 ≠ λ 2 , ξ 1 ≠ 0 , ξ 2 ≠ 0 \boldsymbol{A\xi_1}=\lambda_1\boldsymbol{\xi_1},\boldsymbol{A\xi_2}=\lambda_2\boldsymbol{\xi_2},\lambda_1 \ne \lambda_2,\boldsymbol{\xi}_1 \ne 0,\boldsymbol{\xi}_2 \ne 0 Aξ1=λ1ξ1,Aξ2=λ2ξ2,λ1=λ2,ξ1=0,ξ2=0,则当 k 1 ≠ 0 , k 2 ≠ 0 k_1 \ne 0,k_2 \ne 0 k1=0,k2=0 时, k 1 ξ 1 + k 2 ξ 2 k_1\boldsymbol{\xi}_1+k_2\boldsymbol{\xi}_2 k1ξ1+k2ξ2 不是 A \boldsymbol{A} A 的特征向量。
4 常用矩阵的特征值和特征向量
矩阵 | 特征值 | 特征向量 |
---|---|---|
A \boldsymbol{A} A | λ \lambda λ | ξ \boldsymbol{\xi} ξ |
k A k\boldsymbol{A} kA | k λ k\lambda kλ | ξ \boldsymbol{\xi} ξ |
A k \boldsymbol{A}^k Ak | λ k \lambda^k λk | ξ \boldsymbol{\xi} ξ |
A T \boldsymbol{A}^T AT | λ \lambda λ | 不是 ξ \boldsymbol{\xi} ξ,需单独计算 |
A − 1 \boldsymbol{A}^{-1} A−1 | 1 λ \frac{1}{\lambda} λ1 | ξ \boldsymbol{\xi} ξ |
A ∗ \boldsymbol{A}^* A∗ | ∣ A ∣ λ \frac{\begin{vmatrix}\boldsymbol{A}\end{vmatrix}}{\lambda} λ∣A∣ | ξ \boldsymbol{\xi} ξ |
n E + A n\boldsymbol{E}+\boldsymbol{A} nE+A | n + λ n+\lambda n+λ | ξ \boldsymbol{\xi} ξ |
P − 1 A P \boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} P−1AP | λ \lambda λ | P − 1 ξ \boldsymbol{P}^{-1}\boldsymbol{\xi} P−1ξ |
f ( A ) f(\boldsymbol{A}) f(A) | f ( λ ) f(\lambda) f(λ) | ξ \boldsymbol{\xi} ξ |
- f ( x ) f(x) f(x) 为多项式,若矩阵 A \boldsymbol{A} A 满足 f ( A ) = 0 f(\boldsymbol{A})=\boldsymbol{0} f(A)=0, λ \lambda λ 是 A \boldsymbol{A} A 的任一特征值,则 λ \lambda λ 满足 f ( λ ) = 0 f(\lambda)=0 f(λ)=0。
5 判断两个矩阵是否具有相同的特征值
- ∣ λ E − A ∣ = ∣ λ E − B ∣ \begin{vmatrix} \lambda\boldsymbol{E}-\boldsymbol{A} \end{vmatrix}=\begin{vmatrix} \lambda\boldsymbol{E}-\boldsymbol{B} \end{vmatrix} ∣∣λE−A∣∣=∣∣λE−B∣∣ ➡️ A , B \boldsymbol{A},\boldsymbol{B} A,B 具有相同的特征值
- 若 A ≅ B \boldsymbol{A} \cong \boldsymbol{B} A≅B,则 A , B \boldsymbol{A},\boldsymbol{B} A,B 有相同的特征值。
- 若 A , B \boldsymbol{A},\boldsymbol{B} A,B 是实对称矩阵,则 A B \boldsymbol{AB} AB 和 B A \boldsymbol{BA} BA 有相同的特征值。
- 若 A \boldsymbol{A} A 是可逆矩阵,则 A B \boldsymbol{AB} AB 和 B A \boldsymbol{BA} BA 有相同的特征值。
Type | Page | Example |
---|---|---|
求数值矩阵的特征数和特征向量 | 146 | 7.1 + 7.2 + 7.3 |
求抽象矩阵的特征数和特征向量 | 151 | 7.4 + 7.5 + 7.6 |
判断两个矩阵是否具有相同的特征值 | 153 | 7.7 |
利用特征值计算行列式 | 157 | 7.17 + 7.18 + 7.19 |