1. 特征值、特征向量
1.1 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 α 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
α
α是矩阵
A
A
A属于特征值
λ
\lambda
λ的一个特征向量.
由定义
A
α
=
λ
α
且
α
≠
0
A\alpha=\lambda \alpha且\alpha \ne 0
Aα=λα且α=0,即
(
λ
E
−
A
)
α
=
0
,
a
≠
0
(\lambda E-A)α= 0,a≠0
(λE−A)α=0,a=0可见特征向量
α
α
α是齐次方程组
(
λ
E
−
A
)
x
=
0
(\lambda E-A)x=0
(λE−A)x=0的非零解.
1.2 特征多项式和特征方程
设
A
=
[
a
i
j
]
A=[a_{ij}]
A=[aij]是一个
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−a2nλ−ann∣∣∣∣∣∣∣∣∣
为矩阵
A
A
A的特征多项式,
∣
λ
E
−
A
∣
=
0
|\lambda E-A|=0
∣λE−A∣=0成为
A
A
A的特征方程
1.3 求特征值,特征向量的方法:
- 先由 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0求矩阵A的特征值 λ i \lambda_i λi(共 n n n个).再由 ( λ E − A ) x = 0 (\lambda E-A)x=0 (λE−A)x=0求基础解系,即矩阵 A A A属于特征值 λ i \lambda_i λi的线性无关的特征向量.
- 用定义 A α = λ α A\alpha=\lambda \alpha Aα=λα推理分析.
1.4 定理
定理
定理如果
α
1
,
α
2
,
⋯
,
α
i
\alpha_1,\alpha_2,\cdots,\alpha_i
α1,α2,⋯,αi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
i
α
i
k_1\alpha_1+k_2\alpha_2+\cdots+k_i\alpha_i
k1α1+k2α2+⋯+kiαi非零时,
k
1
α
1
+
k
2
α
2
+
⋯
+
k
i
α
i
k_1\alpha_1+k_2\alpha_2+\cdots+k_i\alpha_i
k1α1+k2α2+⋯+kiαi是矩阵
A
A
A的属于特征值
λ
\lambda
λ的特征向量
定理
如果
λ
1
,
λ
2
,
⋯
,
λ
i
\lambda_1,\lambda_2,\cdots,\lambda_i
λ1,λ2,⋯,λi是矩阵A的互不相同的特征值,
α
1
,
α
2
,
⋯
,
α
i
\alpha_1,\alpha_2,\cdots,\alpha_i
α1,α2,⋯,αi分别是与之对应的特征向量,则
α
1
,
α
2
,
⋯
,
α
i
\alpha_1,\alpha_2,\cdots,\alpha_i
α1,α2,⋯,αi线性无关.
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
定理
设
A
α
=
λ
α
A\alpha=\lambda \alpha
Aα=λα,则:
- ( A + k E ) α = ( λ + k ) α (A+kE)\alpha=(\lambda+k)\alpha (A+kE)α=(λ+k)α
- A 2 α = λ 2 α A^2\alpha=\lambda^2\alpha A2α=λ2α
2. 相似矩阵
定义
设
A
,
B
A,B
A,B都是
n
n
n阶矩阵,若存在可逆矩阵
P
P
P,使得
P
−
1
A
P
=
B
P^{-1}AP=B
P−1AP=B,则称
B
B
B是
A
A
A的相似矩阵,或
A
A
A相似于
B
B
B,记成
A
~
B
A~B
A~B.
若
A
~
Λ
A~\Lambda
A~Λ,其中
Λ
\Lambda
Λ是对角阵,则称
A
A
A可相似对角化.
Λ
\Lambda
Λ是
A
A
A的相似标准形.根据相似的定义,可知
性质
- A ~ A A ~ A A~A,反身性.
- 若 A ~ B ⇒ B ∼ A A~B\Rightarrow B \sim A A~B⇒B∼A,对称性.
- 若 A ∼ B , B ∼ C ⇒ A ∼ C A\sim B,B \sim C \Rightarrow A \sim C A∼B,B∼C⇒A∼C,传递性.
两个矩阵相似的必要条件
A
∼
B
{
⇒
(
1
)
特
征
多
项
式
相
同
,
即
∣
λ
E
−
A
∣
=
∣
λ
E
−
B
∣
;
⇒
(
2
)
r
(
A
)
=
r
(
B
)
;
⇒
(
3
)
A
,
B
有
相
同
的
特
征
值
;
⇒
(
4
)
∣
A
∣
=
∣
B
∣
=
∏
i
=
1
n
λ
i
;
⇒
(
5
)
∑
λ
i
=
∑
a
i
i
=
∑
b
i
i
A \sim B \begin{cases} \Rightarrow (1)特征多项式相同,即|\lambda E-A|=|\lambda E-B|; \\ \Rightarrow (2)r(A) = r(B); \\ \Rightarrow (3)A,B有相同的特征值;\\ \Rightarrow (4)|A|=|B|=\prod_{i=1}^n \lambda_i;\\ \Rightarrow (5) \sum \lambda_i=\sum a_{ii}=\sum b_{ii}\\ \end{cases}
A∼B⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧⇒(1)特征多项式相同,即∣λE−A∣=∣λE−B∣;⇒(2)r(A)=r(B);⇒(3)A,B有相同的特征值;⇒(4)∣A∣=∣B∣=∏i=1nλi;⇒(5)∑λi=∑aii=∑bii
由此
A
∼
B
A \sim B
A∼B可以推出
A
n
∼
B
n
A^n \sim B^n
An∼Bn
A
+
k
E
∼
B
+
k
E
A+kE \sim B+kE
A+kE∼B+kE
A
可
逆
A
−
1
∼
B
−
1
A可逆 A^{-1}\sim B^{-1}
A可逆A−1∼B−1
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.
推论 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
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
A
A
A的每个特征值中,线性无关的特征向量的个数恰好等于该特征值的重数.即
A
∼
Λ
⇒
λ
i
是
A
的
n
i
重
特
征
值
,
则
λ
i
有
n
个
线
性
无
关
的
特
征
向
量
A\sim \Lambda \Rightarrow \lambda_i是A 的n_i重特征值,则\lambda_i有n个线性无关的特征向量
A∼Λ⇒λi是A的ni重特征值,则λi有n个线性无关的特征向量
⇒
秩
r
(
λ
i
E
−
A
)
=
n
−
n
i
,
λ
i
为
n
i
重
特
征
值
\Rightarrow 秩r(\lambda_iE-A) =n-n_i,\lambda_i为n_i重特征值
⇒秩r(λiE−A)=n−ni,λi为ni重特征值
n i = n − r ( λ i E − A ) n_i=n-r(\lambda_iE-A) ni=n−r(λiE−A)通常用于判断矩阵是否可以相似对角化
3. 实对称矩阵
如果有 n n n阶矩阵 A A A,其矩阵的元素都为实数,且矩阵A的转置等于其本身 ( a i j = a j i ) (a_{ij}=a_{ji}) (aij=aji),( i i i, j j j为元素的脚标),则称 A A A为实对称矩阵。
定理 实对称矩阵必可相似对角化.
定理 实对称矩阵的属于不同特征值对应的特征向量相互正交.
定理 设
A
A
A为
n
n
n阶实对称矩阵,则必存在正交阵
Q
Q
Q,使得
Q
−
1
A
Q
=
Q
T
A
Q
=
Λ
Q^{-1}AQ=Q^TAQ=\Lambda
Q−1AQ=QTAQ=Λ.
正交矩阵(英语:orthogonal matrix)是一个方块矩阵 Q Q Q,其元素为实数,而且行向量与列向量皆为正交的单位向量,使得该矩阵的转置矩阵为其逆矩阵:
Q T = Q − 1 = Q T Q = Q Q T = E Q^T=Q^{-1}=Q^TQ=QQ^T=E QT=Q−1=QTQ=QQT=E
同时 ∣ A ∣ = ± 1 |A|=±1 ∣A∣=±1