目录:点我
思维导图下载:点我
一、概念与应用
由 A ∼ B A\sim B A∼B 可知:
- A + k E ∼ B + k E A+kE\sim B+kE A+kE∼B+kE ,进而 ∣ A + k E ∣ = ∣ B + k E ∣ |A+kE|=|B+kE| ∣A+kE∣=∣B+kE∣ , r ( A + k E ) = r ( B + k E ) r(A+kE)=r(B+kE) r(A+kE)=r(B+kE) .
- A n ∼ B n A^n\sim B^n An∼Bn ,进而 A n = P B n P − 1 A^n=PB^nP^{-1} An=PBnP−1
由 P 1 − 1 A P 1 = B , P 2 − 1 B P 2 = C ⇒ P − 1 A P = C P_1^{-1}AP_1=B,P_2^{-1}BP_2=C\Rightarrow P^{-1}AP=C P1−1AP1=B,P2−1BP2=C⇒P−1AP=C ,其中 P = P 1 P 2 P=P_1P_2 P=P1P2 .
应用表:
A A A | k A + E kA+E kA+E | A + k E A+kE A+kE | A − 1 A^{-1} A−1 | A ∗ A^* A∗ | A n A^n An | P − 1 A P P^{-1}AP P−1AP |
---|---|---|---|---|---|---|
λ \lambda λ | k λ + 1 k\lambda+1 kλ+1 | λ + k \lambda+k λ+k | 1 λ \frac{1}{\lambda} λ1 | 丨 A 丨 λ \frac{丨A丨}{\lambda} λ丨A丨 | λ n \lambda^n λn | λ \lambda λ |
α \alpha α | α \alpha α | α \alpha α | α \alpha α | α \alpha α | α \alpha α | P − 1 α P^{-1}\alpha P−1α |
二、定义
- 设 A A A 是 n n n 阶矩阵,如果存在一个数 λ \lambda λ 及非零的 n n n 维列向量 α \alpha α ,使得 A α = λ α A\alpha=\lambda\alpha Aα=λα 成立,则称 λ \lambda λ 是矩阵 A A A 的一个特征值,称非零向量 α \alpha α 是矩阵 A A A 属于特征值 λ \lambda λ 的一个特征向量。
- 设 A = [ a i j ] A=[a_{ij}] A=[aij] 为一个 n n n 阶矩阵,则行列式 ∣ 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 n n ∣ |\lambda E-A|=\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_{nn}\end{vmatrix} ∣λE−A∣=∣∣∣∣∣∣∣∣∣λ−a11−a21⋮−an1−a12λ−a22⋮−an2⋯⋯⋯−a1n−a2n⋮λ−ann∣∣∣∣∣∣∣∣∣ 称为矩阵 A A A 的特征多项式, ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0 称为 A A A 的特征方程。
- 设 A A A 和 B B B 都是 n n n 阶矩阵,如果存在可逆矩阵 P P P ,使得 P − 1 A P = B P^{-1}AP=B P−1AP=B ,则称矩阵 A A A 和 B B B 相似,记作 A ∼ B A\sim B A∼B . 特别地,如果 A A A 能与对角矩阵相似,则称 A A A 可对角化。
三、定理
1. 定理:
如果 α 1 , α 2 , ⋯ , α t \alpha_1,\alpha_2,\cdots,\alpha_t α1,α2,⋯,αt 都是矩阵 A A A 的属于特征值 λ \lambda λ 的特征向量,那么当 k 1 α 1 + k 2 α 2 + ⋯ + k t α t k_1\alpha_1+k_2\alpha_2+\cdots+k_t\alpha_t k1α1+k2α2+⋯+ktαt 非零时, k 1 α 1 + k 2 α 2 + ⋯ + k t α t k_1\alpha_1+k_2\alpha_2+\cdots+k_t\alpha_t k1α1+k2α2+⋯+ktαt 仍是矩阵 A A A 属于特征值 λ \lambda λ 的特征向量。
2. 定理:
设 A A A 是 n n n 阶矩阵, λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,⋯,λn 是矩阵 A A A 的特征值,则:
- ∑ λ i = ∑ a i i \sum\lambda_i=\sum a_{ii} ∑λi=∑aii ;
- ∣ A ∣ = ∏ λ i |A|=\prod\lambda_i ∣A∣=∏λi ;
3. 定理:
如果 λ 1 , λ 2 , ⋯ , λ m \lambda_1,\lambda_2,\cdots,\lambda_m λ1,λ2,⋯,λm 是矩阵 A A A 的互不相同的特征值, α 1 , α 2 , ⋯ , α m \alpha_1,\alpha_2,\cdots,\alpha_m α1,α2,⋯,αm 分别是与之对应的特征向量,则 α 1 , α 2 , ⋯ , α m \alpha_1,\alpha_2,\cdots,\alpha_m α1,α2,⋯,αm 线性无关。
4. 定理:
如果 A A A 是 m m m 阶矩阵, λ i \lambda_i λi 是 A A A 的 m m m 重特征值,则属于 λ i \lambda_i λi 的线性无关的特征向量的个数不超过 m m m 个。
5. 定理:
如果 m m m 阶矩阵 A A A 与 B B B 相似,则 A A A 与 B B B 由相同的特征多项式,从而 A A A 与 B B B 由相同的特征值。
即若 A ∼ B A\sim B A∼B ,则 ∣ λ E − A ∣ = ∣ λ E − B ∣ |\lambda E-A|=|\lambda E-B| ∣λE−A∣=∣λE−B∣ .
6. 定理:
n n n 阶方阵 A A A 可对角化的充分必要条件是 A A A 有 n n n 个线性无关的特征向量。
7. 定理:
若 n n n 阶矩阵 A A A 有 n n n 个不同的特征值 λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,⋯,λn ,则 A A A 可相似对角化,且 A ∼ [ λ 1 λ 2 ⋱ λ n ] A\sim\begin{bmatrix}\lambda_1&&&\\&\lambda_2&&\\&&\ddots&\\&&&\lambda_n\end{bmatrix} A∼⎣⎢⎢⎡λ1λ2⋱λn⎦⎥⎥⎤
8. 定理:
n n n 阶矩阵 A A A 可相似对角化的充分必要条件是对于 A A A 的每个特征值,其线性无关的特征向量的个数恰好等于该特征值的重数,即有等价组:
- A ∼ Λ A\sim\Lambda A∼Λ .
- λ i \lambda_i λi 是 A A A 的 n i n_i ni 重特征值,则 λ i \lambda_i λi 有 n i n_i ni 个线性无关的特征向量。
- 秩 r ( λ i E − A ) = n − n i , λ i r(\lambda_i E-A)=n-n_i,\lambda_i r(λiE−A)=n−ni,λi 为 n i n_i ni 重特征值。
9. 定理:
实对称矩阵 A A A 的不同特征值 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2 所对应的特征向量 α 1 , α 2 \alpha_1,\alpha_2 α1,α2 必正交。
10. 定理:
实对称矩阵 A A A 的特征值都是实数。
11. 定理:
n n n 阶实对称阵 A A A 必可对角化,且总存在正交阵 Q Q Q ,使得: Q − 1 A Q = Q T A Q = [ λ 1 λ 2 ⋱ λ n ] Q^{-1}AQ=Q^TAQ=\begin{bmatrix}\lambda_1&&&\\&\lambda_2&&\\&&\ddots&\\&&&\lambda_n\end{bmatrix} Q−1AQ=QTAQ=⎣⎢⎢⎡λ1λ2⋱λn⎦⎥⎥⎤其中 λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,⋯,λn 是 A A A 的特征值。
12. Schmidt 正交化方法:
如果向量组
α
1
,
α
2
,
α
3
\alpha_1,\alpha_2,\alpha_3
α1,α2,α3 线性无关,令:
β
1
=
α
1
\beta_1=\alpha_1
β1=α1
β
2
=
α
2
−
(
α
2
,
β
1
)
(
β
1
,
β
1
)
β
1
\beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1
β2=α2−(β1,β1)(α2,β1)β1
β
3
=
α
3
−
(
α
3
,
β
1
)
(
β
1
,
β
1
)
β
1
−
(
α
3
,
β
2
)
(
β
2
,
β
2
)
β
2
\beta_3=\alpha_3-\frac{(\alpha_3,\beta_1)}{(\beta_1,\beta_1)}\beta_1-\frac{(\alpha_3,\beta_2)}{(\beta_2,\beta_2)}\beta_2
β3=α3−(β1,β1)(α3,β1)β1−(β2,β2)(α3,β2)β2
那么
β
1
,
β
2
,
β
3
\beta_1,\beta_2,\beta_3
β1,β2,β3 两两正交,称为正交向量组。将其单位化有:
γ
1
=
β
1
∣
∣
β
1
∣
∣
,
γ
2
=
β
2
∣
∣
β
2
∣
∣
,
γ
=
β
3
∣
∣
β
3
∣
∣
\gamma_1=\frac{\beta_1}{||\beta_1||},\gamma_2=\frac{\beta_2}{||\beta_2||},\gamma=\frac{\beta_3}{||\beta_3||}
γ1=∣∣β1∣∣β1,γ2=∣∣β2∣∣β2,γ=∣∣β3∣∣β3则
α
1
,
α
2
,
α
3
\alpha_1,\alpha_2,\alpha_3
α1,α2,α3 到
γ
1
,
γ
2
,
γ
3
\gamma_1,\gamma_2,\gamma_3
γ1,γ2,γ3 这一过程为 Schmidt 正交化。