线性代数(五)：特征值问题

特征值问题

定义5.1：设方阵${\mathbf{A}}_n$,若存在数$\lambda$与非零向量$\vec{X}$,使得$$A\vec{X}=\lambda \vec{X}$$则称$\lambda$为方阵$\mathbf{A}$的 特征值，$\vec{X}$为方阵$\mathbf{A}$对应于$\lambda$的 特征向量。

Remark：不可逆矩阵必有0特征值.
证明：若$A$不可逆，则$A\vec{X}=0$存在非零解${\vec{X}}_0$,故$A{\vec{X}}_0=0=0{\vec{X}}_0$

特征值与特征向量的计算：

$$A\vec{X}=\lambda \vec{X}⟺(A-\lambda E)\vec{X}=0(1)$$
若(1)有非零解，则$f(\lambda )=det(A-\lambda E)=0$，将$f(\lambda )$称作 A的特征多项式，求解出复数域的$n$个特征值后则可反代入$(1)$求解得到对应的特征向量。

关于特征多项式的展开：

f ( λ ) = d e t ( A − λ E ) = ∣ a 11 − λ a 12 a 13 a 14 … a 1 n a 21 a 22 − λ a 23 a 24 … a 1 n a 31 a 32 a 33 − λ a 34 … a 1 n a 41 a 42 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ a n 1 a n 2 a n 3 a n 4 … a n n − λ ∣ = ∣ a 11 a 12 a 13 a 14 … a 1 n a 21 a 22 − λ a 23 a 24 … a 1 n a 31 a 32 a 33 − λ a 34 … a 1 n a 41 a 42 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ a n 1 a n 2 a n 3 a n 4 … a n n − λ ∣ + ∣ − λ a 12 a 13 a 14 … a 1 n 0 a 22 − λ a 23 a 24 … a 1 n 0 a 32 a 33 − λ a 34 … a 1 n 0 a 42 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ 0 a n 2 a n 3 a n 4 … a n n − λ ∣ = ∣ a 11 a 12 a 13 a 14 … a 1 n a 21 a 22 a 23 a 24 … a 1 n a 31 a 32 a 33 − λ a 34 … a 1 n a 41 a 42 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ a n 1 a n 2 a n 3 a n 4 … a n n − λ ∣ + ∣ a 11 0 a 13 a 14 … a 1 n a 21 − λ a 23 a 24 … a 1 n a 31 0 a 33 − λ a 34 … a 1 n a 41 0 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ a n 1 0 a n 3 a n 4 … a n n − λ ∣ + ∣ − λ a 12 a 13 a 14 … a 1 n 0 a 22 a 23 a 24 … a 1 n 0 a 32 a 33 − λ a 34 … a 1 n 0 a 42 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ 0 a n 2 a n 3 a n 4 … a n n − λ ∣ + ∣ − λ 0 a 13 a 14 … a 1 n 0 − λ a 23 a 24 … a 1 n 0 0 a 33 − λ a 34 … a 1 n 0 0 a 43 a 44 − λ … a 1 n ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 a n 3 a n 4 … a n n − λ ∣ 记符号 A ( n ) a i ↔ e i m 表示将 n 阶方阵的任意 m 个列向量 a i 替换为对应的单位向量 e i 后得到的 C n m 个矩阵，如 A ( 2 ) a i ↔ e i 1 = { [ 1 a 1 2 0 a 22 ] 、 [ a 11 0 a 21 1 ] } , 而 d e t ( A ( n ) a i ↔ e i m ) 表示这一组方阵行列式之和，那么： f ( λ ) = ∑ m = 0 n d e t ( A ( n ) a i ↔ λ e i m ) = ∑ m = 0 n ∑ l = 1 C n m ( − λ ) m P ( n − m ) l = ∑ m = 0 n ( − λ ) m ∑ l = 1 C n m P ( n − m ) l ( 说明：求解 d e t ( A ( n ) a i ↔ λ e i m ) 时按照 λ e i 所在的列展开， P ( n − m ) l 为一个 n − m 阶主子式 ) f(\lambda)=det(A-\lambda E)= \begin{vmatrix} %1 a_{11}-\lambda&a_{12}&a_{13}&a_{14}&\dots&a_{1n}\\ a_{21}&a_{22}-\lambda&a_{23}&a_{24}&\dots&a_{1n}\\ a_{31}&a_{32}&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ a_{41}&a_{42}&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ a_{n1}&a_{n2}&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}= \begin{vmatrix} %2.1 a_{11}&a_{12}&a_{13}&a_{14}&\dots&a_{1n}\\ a_{21}&a_{22}-\lambda&a_{23}&a_{24}&\dots&a_{1n}\\ a_{31}&a_{32}&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ a_{41}&a_{42}&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ a_{n1}&a_{n2}&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}+ \begin{vmatrix}%2.2 -\lambda&a_{12}&a_{13}&a_{14}&\dots&a_{1n}\\ 0&a_{22}-\lambda&a_{23}&a_{24}&\dots&a_{1n}\\ 0&a_{32}&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ 0&a_{42}&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ 0&a_{n2}&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}\\ \qquad\\= \begin{vmatrix}%3.1 a_{11}&a_{12}&a_{13}&a_{14}&\dots&a_{1n}\\ a_{21}&a_{22}&a_{23}&a_{24}&\dots&a_{1n}\\ a_{31}&a_{32}&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ a_{41}&a_{42}&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ a_{n1}&a_{n2}&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}+ \begin{vmatrix}%3.2 a_{11}&0&a_{13}&a_{14}&\dots&a_{1n}\\ a_{21}&-\lambda&a_{23}&a_{24}&\dots&a_{1n}\\ a_{31}&0&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ a_{41}&0&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ a_{n1}&0&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda \end{vmatrix}+ \begin{vmatrix}%3.3 -\lambda&a_{12}&a_{13}&a_{14}&\dots&a_{1n}\\ 0&a_{22}&a_{23}&a_{24}&\dots&a_{1n}\\ 0&a_{32}&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ 0&a_{42}&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ 0&a_{n2}&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}+ \begin{vmatrix}%3.4 -\lambda&0&a_{13}&a_{14}&\dots&a_{1n}\\ 0&-\lambda&a_{23}&a_{24}&\dots&a_{1n}\\ 0&0&a_{33}-\lambda&a_{34}&\dots&a_{1n}\\ 0&0&a_{43}&a_{44}-\lambda&\dots&a_{1n}\\ \vdots&\vdots&\vdots&\vdots&&\vdots\\ 0&0&a_{n3}&a_{n4}&\dots&a_{nn}-\lambda\\ \end{vmatrix}\\ \quad\\ 记符号A_{(n)a_i\leftrightarrow e_i}^{m}表示将n阶方阵的任意m个列向量a_i替换为对应的单位向量e_i后得到的C_n^m个矩阵，如A_{(2)a_i\leftrightarrow e_i}^1=\{\begin{bmatrix}1&a_12\\0&a_{22}\end{bmatrix}、\begin{bmatrix}a_{11}&0\\a_{21}&1\end{bmatrix}\},而det(A_{(n)a_i\leftrightarrow e_i}^m)表示这一组方阵行列式之和，那么：\\\quad\\ f(\lambda)=\sum_{m=0}^ndet(A_{(n)a_i\leftrightarrow \lambda e_i}^m)=\sum_{m=0}^n\sum_{l=1}^{C_n^m}(-\lambda)^mP^l_{(n-m)}=\sum_{m=0}^n(-\lambda)^m\sum_{l=1}^{C_n^m}P^l_{(n-m)}(说明：求解det(A_{(n)a_i\leftrightarrow \lambda e_i}^m)时按照\lambda e_i所在的列展开，P^l_{(n-m)}为一个n-m阶主子式)\\ \quad f(λ)=det(A−λE)=∣ ∣​a11​−λa21​a31​a41​⋮an1​​a12​a22​−λa32​a42​⋮an2​​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​=∣ ∣​a11​a21​a31​a41​⋮an1​​a12​a22​−λa32​a42​⋮an2​​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​+∣ ∣​−λ000⋮0​a12​a22​−λa32​a42​⋮an2​​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​=∣ ∣​a11​a21​a31​a41​⋮an1​​a12​a22​a32​a42​⋮an2​​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​+∣ ∣​a11​a21​a31​a41​⋮an1​​0−λ00⋮0​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​+∣ ∣​−λ000⋮0​a12​a22​a32​a42​⋮an2​​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​+∣ ∣​−λ000⋮0​0−λ00⋮0​a13​a23​a33​−λa43​⋮an3​​a14​a24​a34​a44​−λ⋮an4​​……………​a1n​a1n​a1n​a1n​⋮ann​−λ​∣ ∣​记符号A(n)ai​↔ei​m​表示将n阶方阵的任意m个列向量ai​替换为对应的单位向量ei​后得到的Cnm​个矩阵，如A(2)ai​↔ei​1​={[10​a1​2a22​​]、[a11​a21​​01​]},而det(A(n)ai​↔ei​m​)表示这一组方阵行列式之和，那么：f(λ)=m=0∑n​det(A(n)ai​↔λei​m​)=m=0∑n​l=1∑Cnm​​(−λ)mP(n−m)l​=m=0∑n​(−λ)ml=1∑Cnm​​P(n−m)l​(说明：求解det(A(n)ai​↔λei​m​)时按照λei​所在的列展开，P(n−m)l​为一个n−m阶主子式)
上式说明特征多项式$(-\lambda {)}^m$项的系数为$n$阶方阵$A$所有$(n-m)$阶主子式的和

定理5.1：设$n$阶方阵的$n$个特征值为：${\lambda }_i(i=1,2,\dots ,n)$，则：
（1）$det(A)={\lambda }_1{\lambda }_2\bullet \cdots \bullet {\lambda }_n$
（2）${\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n=a_{11}+a_{22}+\cdots +a_{nn}=tr(A)$

（1）证明：$$det(A-\lambda E)=(-\lambda +{\lambda }_1)(-\lambda +{\lambda }_2)\bullet \cdots \bullet (-\lambda +{\lambda }_n)=(-1{)}^n{\lambda }^n+(-1{)}^{n-1}({\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n){\lambda }^{n-1}+\cdots +{\lambda }_1{\lambda }_2\bullet \cdots \bullet {\lambda }_n$$
令$\lambda =0$,则$det(A)={\lambda }_1{\lambda }_2\bullet \cdots \bullet {\lambda }_n$（证毕）

（2）证明：
由（1）知特征值之和为$(-\lambda {)}^{n-1}$的系数，应等于所有一阶主子式之和，即对角元素之和，那么：
$${\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n=a_{11}+a_{22}+\cdots +a_{nn}（证毕）$$

推论5.1：方阵$A_n$可逆$⟺$其特征值 ${\lambda }_i\ne 0(i=1,2,\dots ,n)$

定理5.2：方阵$A$的特征值为$\lambda$，特征向量为$\vec{X}$，则
（1）$A^{-1}$的特征值为${\lambda }^{-1}$，特征向量为$\vec{X}$；
（2）矩阵多项式$g(A)=a_k{A}^k+a_{k-1}{A}^{k-1}+\cdots +a_{1}A+a_{0}E$ 的特征值为$g(\lambda )=a_k{\lambda }^k+a_{k-1}{\lambda }^{k-1}+\cdots +a_1\lambda +a_0$，特征向量为$\vec{X}$

（1）证明：

$A\vec{X}=\lambda \vec{X}⟹\vec{X}=A^{-1}\lambda \vec{X}⟹A^{-1}\vec{X}={\lambda }^{-1}\vec{X}$（证毕）

（2）证明：

$g(A)\vec{X}=a_k{A}^k\vec{X}+a_{k-1}{A}^{k-1}\vec{X}+\cdots +a_{1}A\vec{X}+a_0\vec{X}$

$=a_k{\lambda }^k\vec{X}+a_{k-1}{\lambda }^{k-1}\vec{X}+\cdots +a_1\lambda \vec{X}+a_0\vec{X}=g(\lambda )\vec{X}$（证毕）

由于${\lambda }_i$对应的特征向量集合是$(A-{\lambda }_{i}E)\vec{X}=0$的解空间，故 ${\lambda }_i$对应的特征向量的线性组合仍然是${\lambda }_i$对应的特征向量。

定理5.3：不同特征值对应的特征向量线性无关。
证明：采用数学归纳法：
  \ \qquad  ${\vec{X}}_1$与${\vec{X}}_2$分别为${\lambda }_1$与${\lambda }_2$对应的特征向量$({\lambda }_1\ne {\lambda }_2)$。
  \ \qquad  令$k_1{\vec{X}}_1+k_2{\vec{X}}_2=0(1)$
  \ \qquad  则$A(k_1{\vec{X}}_1+k_2{\vec{X}}_2)=k_1{\lambda }_1{\vec{X}}_1+k_2{\lambda }_2{\vec{X}}_2=0(2)$
  \ \qquad  那么，$(1)\times {\lambda }_1-(2):k_2({\lambda }_1-{\lambda }_2){\vec{X}}_2=0⟹k_2=0$
     \ \qquad\ \ \qquad    $(1)\times {\lambda }_2-(2):k_1({\lambda }_2-{\lambda }_1){\vec{X}}_2=0⟹k_1=0$
  \ \qquad  即，${\vec{X}}_1$与${\vec{X}}_2$线性无关。
  \ \qquad  假设${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_{r-1}$对应的特征向量${\vec{X}}_1,{\vec{X}}_2,\dots ,{\vec{X}}_{r-1}$线性无关。
  \ \qquad  讨论${\vec{X}}_1，{\vec{X}}_2，\dots ，{\vec{X}}_{r-1}，{\vec{X}}_r$的线性相关性。
  \ \qquad  令$k_1{\vec{X}}_1+k_2{\vec{X}}_2+\cdots +k_r{\vec{X}}_r=0(3)$
  \ \qquad  则 $$A(k_1{\vec{X}}_1+k_2{\vec{X}}_2+\cdots +k_r{\vec{X}}_r)=k_1{\lambda }_1{\vec{X}}_1+k_2{\lambda }_2{\vec{X}}_2+\cdots +k_r{\lambda }_r{\vec{X}}_r=0(4)$$
  \ \qquad  那么，$(3)\times {\lambda }_r-(4):$
$$k_1({\lambda }_r-{\lambda }_1){\vec{X}}_1+k_2({\lambda }_r-{\lambda }_2){\vec{X}}_2+\cdots +k_{r-1}({\lambda }_r-{\lambda }_{r-1}){\vec{X}}_{r-1}=0$$
  \ \qquad  由于${\vec{X}}_1，{\vec{X}}_2，\dots {\vec{X}}_{r-1}$线性无关
  \ \qquad  则 $k_i({\lambda }_r-{\lambda }_i)=0(i=1,\dots ,r-1)⟹k_i=0(i=1,\dots ,r-1)$
  \ \qquad  带入式(3)，$k_r=0$
  \ \qquad  故，${\vec{X}}_1，{\vec{X}}_2，\dots ，{\vec{X}}_{r-1}，{\vec{X}}_r$线性无关。

定理5.4：将不同特征值对应的线性无关特征向量组进行组合得到的向量组依然线性无关。即，
设${\lambda }_1，{\lambda }_2，\dots ,{\lambda }_r$为$A$的不同特征值且${\vec{X}}_{1i}，{\vec{X}}_{2i}，\dots ，{\vec{X}}_{s_i,i}$为特征值${\lambda }_i$对应的$s_i$个线性无关的特征向量，则$${\vec{X}}_{11}，{\vec{X}}_{21}，\dots ，{\vec{X}}_{s_1,1}，{\vec{X}}_{12}，{\vec{X}}_{22}，\dots ，{\vec{X}}_{s_2,2}，{\vec{X}}_{1r}，{\vec{X}}_{2r}，\dots ，{\vec{X}}_{s_r,r}$$向量组依然线性无关。

证明：令$$\sum _{j=1}^{s_i}{k}_{ji}{\vec{X}}_{ji}=\sum _{j=1}^{s_1}{k}_{j1}{\vec{X}}_{j1}+\sum _{j=1}^{s_2}{k}_{j2}{\vec{X}}_{j2}+\cdots +\sum _{j=1}^{s_r}{k}_{jr}{\vec{X}}_{jr}={\vec{Z}}_1+{\vec{Z}}_2+\cdots +{\vec{Z}}_r$$
由于${\lambda }_i$对应的特征向量的线性组合${\vec{Z}}_i$仍然是${\lambda }_i$对应的特征向量，则
${\vec{Z}}_1+{\vec{Z}}_2+\cdots +{\vec{Z}}_r=0$成立当且仅当${\vec{Z}}_i=0(i=1,\dots ,r)$。
又，选取的是同一特征值对应的线性无关特征向量，则$k_{ji}=0$.
故，将不同特征值对应的线性无关特征向量组进行组合得到的向量组依然线性无关。（证毕）
定理5.4：代数重数（特征多项式根$\lambda$的重数）$\ge$ 几何重数（$\lambda$对应的特征向量构成的向量空间的维数）。
证明：过程参考出处
  \ \qquad  设$\lambda$为方阵$A_n$的一个特征值，并假设其对应的特征向量构成的向量空
  \ \qquad  间$V$($R^n的子空间)$维数为$r$,基为 { α ⃗ 1 , α ⃗ 2 , … , α ⃗ r } \{\vec{\alpha}_1,\vec{\alpha}_2,\dots,\vec{\alpha}_r\} {α 1​,α 2​,…,α r​},将其扩充为$R^n$中
  \ \qquad  的一组基 { α ⃗ 1 , α ⃗ 2 , … , α ⃗ r , α ⃗ r + 1 , . . . , , α ⃗ n } \{\vec{\alpha}_1,\vec{\alpha}_2,\dots,\vec{\alpha}_r,\vec{\alpha}_{r+1},...,,\vec{\alpha}_n\} {α 1​,α 2​,…,α r​,α r+1​,...,,α n​}。

  \ \qquad  则$$\{\begin{array}{l}A{\vec{\alpha }}_i=\lambda {\vec{\alpha }}_i(i=1,...,r)\\ A{\vec{\alpha }}_i=k_{1i}{\vec{\alpha }}_1+k_{2i}{\vec{\alpha }}_2+...+k_{ni}{\vec{\alpha }}_n(i=r+1,...,n)\end{array}$$
  \ \qquad  即，
$$A[{\vec{\alpha }}_1,{\vec{\alpha }}_2,\dots ,{\vec{\alpha }}_r,{\vec{\alpha }}_{r+1},...,{\vec{\alpha }}_n]=[{\vec{\alpha }}_1,{\vec{\alpha }}_2,\dots ,{\vec{\alpha }}_r,{\vec{\alpha }}_{r+1},\dots ,{\vec{\alpha }}_n]\left[\begin{array}{c}\lambda 0\dots 0k_{1,r+1}\dots k_{1,n}\\ 0\lambda \dots 0k_{2,r+1}\dots k_{2,n}\\ ⋮\\ 00\dots \lambda k_{r,r+1}\dots k_{r,n}\\ 00\dots 0k_{r+1,r+1}\dots k_{r+1,n}\\ 00\dots 0k_{r+2,r+1}\dots k_{r+2,n}\\ ⋮\\ 00\dots 0k_{n,r+1}\dots k_{n,n}\end{array}\right]$$
  \ \qquad  则
$$(A-{\lambda }^{\prime }E)[{\vec{\alpha }}_1,{\vec{\alpha }}_2,\dots ,{\vec{\alpha }}_r,{\vec{\alpha }}_{r+1},...,{\vec{\alpha }}_n]=[{\vec{\alpha }}_1,{\vec{\alpha }}_2,\dots ,{\vec{\alpha }}_r,{\vec{\alpha }}_{r+1},\dots ,{\vec{\alpha }}_n]\left[\begin{array}{ccccccc}(\lambda -{\lambda }^{\prime })& 0& \dots & 0& k_{1,r+1}& \dots & k_{1,n}\\ 0& (\lambda -{\lambda }^{\prime })& \dots & 0& k_{2,r+1}& \dots & k_{2,n}\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ 0& 0& \dots & (\lambda -{\lambda }^{\prime })& k_{r,r+1}& \dots & k_{r,n}\\ 0& 0& \dots & 0& (k_{r+1,r+1}-{\lambda }^{\prime })& \dots & k_{r+1,n}\\ 0& 0& \dots & 0& k_{r+2,r+1}& \dots & k_{r+2,n}\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ 0& 0& \dots & 0& k_{n,r+1}& \dots & (k_{n,n}-{\lambda }^{\prime })\end{array}\right]$$
  \ \qquad  因$det([{\vec{\alpha }}_1,{\vec{\alpha }}_2,\dots ,{\vec{\alpha }}_r,{\vec{\alpha }}_{r+1},...,{\vec{\alpha }}_n])\ne 0$进一步有特征多项式：
$$det(A-{\lambda }^{\prime }E)=\left|\begin{array}{ccccccc}(\lambda -{\lambda }^{\prime })& 0& \dots & 0& k_{1,r+1}& \dots & k_{1,n}\\ 0& (\lambda -{\lambda }^{\prime })& \dots & 0& k_{2,r+1}& \dots & k_{2,n}\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ 0& 0& \dots & (\lambda -{\lambda }^{\prime })& k_{r,r+1}& \dots & k_{r,n}\\ 0& 0& \dots & 0& (k_{r+1,r+1}-{\lambda }^{\prime })& \dots & k_{r+1,n}\\ 0& 0& \dots & 0& k_{r+2,r+1}& \dots & k_{r+2,n}\\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& ⋮\\ 0& 0& \dots & 0& k_{n,r+1}& \dots & (k_{n,n}-{\lambda }^{\prime })\end{array}\right|={\left|\begin{array}{cccc}(\lambda -{\lambda }^{\prime })& 0& \dots & 0\\ 0& (\lambda -{\lambda }^{\prime })& \dots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \dots & (\lambda -{\lambda }^{\prime })\end{array}\right|}_{r\times r}{\left|\begin{array}{ccc}(k_{r+1,r+1}-{\lambda }^{\prime })& \dots & k_{r+1,n}\\ k_{r+2,r+1}& \dots & k_{r+2,n}\\ ⋮& ⋮& ⋮\\ k_{n,r+1}& \dots & (k_{n,n}-{\lambda }^{\prime })\end{array}\right|}_{(n-r)\times (n-r)}=(\lambda -{\lambda }^{\prime }{)}^{r}g({\lambda }^{\prime })$$
显然，$det(A-{\lambda }^{\prime }E)=(\lambda -{\lambda }^{\prime }{)}^{r}g({\lambda }^{\prime })=0$的根$\lambda$的重数大于等于$r$。（证毕）

定理5.5：实对称方阵的特征值为实数，且不同特征值对应的特征向量正交。

证明：设$\lambda$为实对称矩阵${\mathbf{A}}_{n\times n}$的特征值，$\vec{X}$为$\lambda$对应的$\mathbf{A}$的特征向量,则$$\mathbf{A}\vec{X}=\lambda \vec{X}(1)$$    \ \ \qquad   对$(1)$式进行共轭转置并右乘$\vec{X}$得：$${\overline{\stackrel{⃗}{X}}}^T{\bar{\mathbf{A}}}^T\vec{X}=\bar{\lambda }{\overline{\stackrel{⃗}{X}}}^T\vec{X}(2)$$    \ \ \qquad   又由$(1)$得：$${\overline{\stackrel{⃗}{X}}}^T\mathbf{A}\vec{X}=\lambda {\overline{\stackrel{⃗}{X}}}^T\vec{X}(3)$$    \ \ \qquad   $(2)-(3)$得：$$(\bar{\lambda }-\lambda ){\overline{\stackrel{⃗}{X}}}^T\vec{X}=0$$    \ \ \qquad   由于$\vec{X}\ne 0$，故$\bar{\lambda }=\lambda$，即特征值$\lambda$为实数。
   \ \ \qquad   设${\vec{X}}_1,{\vec{X}}_2$分别为互异特征值${\lambda }_1,{\lambda }_2$对应的特征向量,则：$$\{\begin{array}{l}A{\vec{X}}_1={\lambda }_1{\vec{X}}_1\\ A{\vec{X}}_2={\lambda }_2{\vec{X}}_2\end{array}⟹({\lambda }_1{\vec{X}}_1,{\vec{X}}_2)=(A{\vec{X}}_1,{\vec{X}}_2)={\vec{X}}_1^T{A}^T{\vec{X}}_2={\vec{X}}_1^{T}A{\vec{X}}_2=({\vec{X}}_1,A{\vec{X}}_2)=({\vec{X}}_1,{\lambda }_2{\vec{X}}_2)⟹({\lambda }_1-{\lambda }_2)({\vec{X}}_1,{\vec{X}}_2)=0$$    \ \ \qquad   则$({\vec{X}}_1,{\vec{X}}_2)=0$（证毕）