矩阵的特征值和特征向量的性质

rgbhi

已于 2022-04-06 22:11:44 修改

阅读量1.9w

点赞数 25

分类专栏：线性代数文章标签：矩阵线性代数

于 2022-04-01 23:58:19 首次发布

本文链接：https://blog.csdn.net/rgbhi/article/details/123665540

版权

线性代数专栏收录该内容

8 篇文章 13 订阅

订阅专栏

什么是特征值和特征向量

$A\alpha =\lambda \alpha$

A为一个N阶方阵， $\alpha$ 为一个向量， $\lambda$ 为一个值。

满足上述等式，则称 $\alpha$ 为一个特征向量， $\lambda$ 为一个特征值

注：1、方阵才有特征值、特征向量，非方阵没有

2、特征向量 $\alpha \neq 0$

3、设 $A_{n*n}$ ，则复数范围内，A恰有N个特征值

4、对于 $\lambda$ 每个特征值，都有无穷个特征向量

证： $kA\left ( \alpha \right )=k\lambda\alpha =A\left ( k\alpha \right )=\lambda \left ( k\alpha \right )$

所以 $\alpha$ 为满足 $\lambda$ 为特征值的一个特征向量，则 $\alpha$ 任意乘以一个非零数k，则 $k\alpha$ 任然为满足 $\lambda$ 为特征值的一个特征向量

所以可以得出， $\lambda$ 为特征值时，有无穷个特征向量与其对应，即 $k\alpha$ ， $k\neq 0$

并且，其中的任意两个 $\alpha$ 相加，都为 $\lambda$ 为特征值时的特征向量

5、若 $\alpha (\alpha \neq 0)$ 为 $AX=0$ 的解，则可以称， $\alpha$ 为A特向值 $\lambda$ 为0时的特征向量

即 $A\alpha =0\alpha =0$

如何求特征值

$A\alpha =\lambda \alpha$

$A\alpha-\lambda \alpha =0$

$\left (A-\lambda E \right ) \alpha =0$

$\because \alpha \neq 0$

意味着 $\left (A-\lambda E \right ) \alpha =0$ 有非零解

$\therefore R(A-\lambda E)<n$

意味着 $A-\lambda E$ 的秩小于n，即不满秩，如果满秩的话，只有 $\alpha$ 是零向量，才有解

不满秩的充要条件，有 $\left | A-\lambda E \right |=0$

向量的行列式为0，则该向量不满秩

最后，由 $\left | A-\lambda E \right |=0$ 这个方程，解出 $\lambda$ 的值

如何求特征值对应的特征向量

将上述 $\lambda$ 的值，分别代入原方程 $\left (A-\lambda E \right ) \alpha =0$

可以分别求出其解 $\alpha$ ，即为 $\lambda$ 对应的特征向量

特征值和特征向量的一些性质

1、 $\lambda _{1}+\lambda _{2}+...+\lambda _{n}=a_{11}+a_{22}+...+a_{nn}=tr(A)$

A矩阵特征值的和，等于A矩阵，主对角线上元素的和，叫做矩阵A的迹

证明： $\left | A-\lambda E \right |=\begin{vmatrix} a_{11}-\lambda & a_{12} &... &a_{1n} \\ a_{21}& a_{22}-\lambda & &a_{2n} \\ .. .& ... & ... &... \\ a_{n1} & a_{n2} & ... & a_{nn}-\lambda \end{vmatrix}=(\lambda _{1}-\lambda )(\lambda _{2}-\lambda )...(\lambda _{n}-\lambda )$

寻找 $\lambda ^{n-1}$ 的系数，则只能在 $(a_{11}-\lambda )(a_{22}-\lambda )(a_{33}-\lambda )...(a_{nn}-\lambda )$ 当中进行组合选择

$a_{11}(-\lambda) ^{n-1}+a_{22}(-\lambda) ^{n-1}+...a_{nn}(-\lambda) ^{n-1}=(a_{11}+a_{22}+...+a_{nn})(-\lambda) ^{n-1}=\lambda _{1}(-\lambda) ^{n-1}+\lambda _{2}(-\lambda) ^{n-1}+...\lambda _{n}(-\lambda) ^{n-1}=(\lambda _{1}+\lambda _{2}+...+\lambda _{n})(-\lambda) ^{n-1}$

$\therefore a_{11}+a_{22}+...+a_{nn}=\lambda _{1}+\lambda _{2}+...+\lambda _{n}$

2、 $\lambda _{1}*\lambda _{2}*...*\lambda _{n}=\left | A \right |$

A矩阵特征值的积，等于A的行列式

令 $\lambda =0$ ，则等式左端为A的行列式，等式右端，则为A矩阵特征值的积

3、不同特征值的特征向量之间，一定线性无关

证明：

设 $\lambda _{1}\lambda _{2}....\lambda _{s}$ 是A的各不相同的特征向量

$\alpha _{1}\alpha _{2}....\alpha _{s}$ 是与其对应的任一特征向量

使用数学归纳法

当n=1时， $\alpha _{1}\neq 0$ ，它自个儿自然是线性无关

当n=s-1时，设 $\alpha _{1}\alpha _{2}....\alpha _{s-1}$ 线性无关

当n=s时，如果可以证得 $\alpha _{1}\alpha _{2}....\alpha _{s}$ 线性无关，则我们的假设成立

即证明 $k_{1}\alpha _{1}+k_{2}\alpha _{2}+k_{3}\alpha _{3}+...k_{s}\alpha _{s}=0$ 时，只有当k1、k2、k3...ks为0时等式成立

$k_{1}A\alpha _{1}+k_{2}A\alpha _{2}+k_{3}A\alpha _{3}+...k_{s}A\alpha _{s}=0$

我们将等式左乘矩阵A，因为k是数值可以移到左边去，然后根据 $A\alpha =\lambda \alpha$ 的定义

$0=k_{1}A\alpha _{1}+k_{2}A\alpha _{2}+k_{3}A\alpha _{3}+...k_{s}A\alpha _{s}=k_{1}\lambda _{1}\alpha _{1}+k_{2}\lambda _{2}\alpha _{2}+k_{3}\lambda _{3}\alpha _{3}+...k_{s}\lambda _{s}\alpha _{s}$

然后我们将 $k_{1}\alpha _{1}+k_{2}\alpha _{2}+k_{3}\alpha _{3}+...k_{s}\alpha _{s}=0$ 等式两边乘上 $\lambda _{s}$ ，则可以得到

$k_{1}\lambda _{s}\alpha _{1}+k_{2}\lambda _{s}\alpha _{2}+k_{3}\lambda _{s}\alpha _{3}+...k_{s}\lambda _{s}\alpha _{s}=0$

减去上面的等式

$k_{1}\lambda _{1}\alpha _{1}+k_{2}\lambda _{2}\alpha _{2}+k_{3}\lambda _{3}\alpha _{3}+...k_{s}\lambda _{s}\alpha _{s}=0$

得

$k_{1}(\lambda _{1}-\lambda _{s})\alpha _{1}+k_{2}(\lambda _{2}-\lambda _{s})\alpha _{2}+k_{3}(\lambda _{3}-\lambda _{s})\alpha _{3}+...k_{s}(\lambda _{s}-\lambda _{s}) \alpha _{s}=0$

这里面 $k_{s}(\lambda _{s}-\lambda _{s}) \alpha _{s}$ 已经被消掉了，只剩下

$k_{1}(\lambda _{1}-\lambda _{s})\alpha _{1}+k_{2}(\lambda _{2}-\lambda _{s})\alpha _{2}+k_{3}(\lambda _{3}-\lambda _{s})\alpha _{3}+...k_{s-1}(\lambda _{s-1}-\lambda _{s}) \alpha _{s-1}=0$

我们已经知道 $\alpha _{1}\alpha _{2}....\alpha _{s-1}$ 是线性无关的了

就意味着

$k_{1}(\lambda _{1}-\lambda _{s})=0$

$k_{2}(\lambda _{2}-\lambda _{s})=0$

...

$k_{s-1}(\lambda _{s-1}-\lambda _{s})=0$

因为 $\lambda _{1}\lambda _{2}....\lambda _{s}$ 是A的各不相同的特征向量，所以k1、k2...ks-1都为零

将k1到ks-1的值代回到 $k_{1}\alpha _{1}+k_{2}\alpha _{2}+k_{3}\alpha _{3}+...k_{s}\alpha _{s}=0$

得到

$k_{s}\alpha _{s}=0$

所以ks也为零

我们就解出了 $k_{1}\alpha _{1}+k_{2}\alpha _{2}+k_{3}\alpha _{3}+...k_{s}\alpha _{s}=0$ 这个等式下，k1、k2、k3...ks都为0，这意味着 $\alpha _{1}\alpha _{2}....\alpha _{s}$ 线性无关，所以由数学归纳法可以证明

不同特征值的特征向量之间，一定线性无关

4、A的k重特征值 $\lambda$ 线性无关的特征向量最多有k个

如果 $\lambda$ 为单特征值（就是没有一样的特征向量），那么特征向量就只有1个

5、A矩阵逆的特征值为 $\frac{1}{\lambda }(\lambda \neq 0)$ ，且特征向量为 $\alpha$

证明： $A\alpha =\lambda \alpha \rightarrow \alpha =\lambda A^{-1}\alpha$

$\frac{1}{\lambda }\alpha =A^{-1}\alpha\rightarrow A^{-1}\alpha=\frac{1}{\lambda }\alpha$

这不就是定义么

6、A矩阵的伴随矩阵的特征值为 $\frac{\left | A \right |}{\lambda }(\lambda \neq 0)$ ，且特征向量为 $\alpha$

证明：很简单， $\left | A \right |A^{-1}=A^{*}$

$\left | A \right |A^{-1}\alpha=\frac{\left |A \right |}{\lambda }\alpha\rightarrow A^{*}\alpha=\frac{\left |A \right |}{\lambda }\alpha$

7、kA（A为矩阵）的特征值为 $k\lambda$ ，且特征向量为 $\alpha$

证明：很简单

$A\alpha =\lambda \alpha \rightarrow (kA)\alpha=(k\lambda) \alpha$

8、 $A^{k}$ 的特征值为 $\lambda ^{k}$ ，且特征向量为 $\alpha$

证明：也很简单，跟上面差不多

$A^{k}\alpha =A^{k-1}*A\alpha =A^{k-1}*\lambda \alpha=\lambda A^{k-1}\alpha$

不断的将A的次方脱下来，可以得到

$A^{k}\alpha =\lambda ^{k}\alpha$

9、若f(A)是A矩阵的一个多项式函数，那么f(A)的特征值为 $f(\lambda )$ ，且特征向量为 $\alpha$

证明：还是依靠定义，其实就跟上述的8一样的操作

10、 $A^{T}$ 的特征值还是 $\lambda$ ，但是它的特征向量跟 $\alpha$ 没啥关系

证明：使用求特征值的公式

$\left | A^{T}-\lambda E \right |=\left | A^{T}-\lambda E^{T} \right |=\left | (A-\lambda E)^{T} \right |=\left | A-\lambda E \right |=0$

所以他们的解应该是完全一样的

11、 $P^{-1}AP$ 的特征值还是 $\lambda$ ，特征向量为 $P^{-1}\alpha$

证明：

$P^{-1}AP (P^{-1}\alpha )=P^{-1}A\alpha =P^{-1}\lambda \alpha=\lambda (P^{-1}\alpha)$

即 $P^{-1}AP (P^{-1}\alpha )=\lambda (P^{-1}\alpha)$

rgbhi

关注

25
点赞
踩
76

收藏

觉得还不错? 一键收藏
打赏
2
评论
矩阵的特征值和特征向量的性质

什么是特征值和特征向量A为一个N阶方阵，为一个向量，为一个值。满足上述等式，则称为一个特征向量，为一个特征值注：1、方阵才有特征值、特征向量，非方阵没有2、特征向量3、设，则复数范围内，A恰有N个特征值4、对于每个特征值，都有无穷个特征向量证：所以为满足为特征值的一个特征向量，则任意乘以一个非零数k，则任然为满足为特征值的一个特征向量所以可以得出，为特征值时，有无穷个特征向量与其对应，即，并且，其中的任意两个相加，都为为特征值时的特征向量5、若为的解...
复制链接

扫一扫