【考研数学一·线性代数(5)】特征值与特征向量

1.特征值与特征向量

1.1.定义

设$A$是$n$阶矩阵，$\lambda$是一个数，若存在$n$阶非零列向量$\xi$，使得$A\xi =\lambda \xi$，则称$\lambda$是$A$的特征值，$\xi$是$A$的对应于特征值$\lambda$的特征向量.

1.2.用特征值命题

1. ${\lambda }_0$是$A$的特征值$\iff |{\lambda }_{0}E-A|=0$

   ${\lambda }_0$不是$A$的特征值$\iff |{\lambda }_{0}E-A|\ne 0$

2. 设$A=(a_{ij}{)}_{n\times n},{\lambda }_i(i=1,2,\cdots ,n)$是$A$的特征值$\Rightarrow \{\begin{array}{l}\sum _{i=1}^n{\lambda }_i=\sum _{i=1}^n{a}_{ii}=tr(A)\\ \prod _{i=1}^n{\lambda }_i=|A|\end{array}$

   注：上、下三角矩阵与对角矩阵的特征值就是对角元素.

3. 重要结论

   矩阵	特征值	对应的特征向量
   $A$	$\lambda$	$\xi$
   $kA$	$k\lambda$	$\xi$
   $A^k$	${\lambda }^k$	$\xi$
   $f(A)$	$f(\lambda )$	$\xi$
   $A^{-1}$	$\frac{1}{\lambda }$	$\xi$
   $P^{-1}AP$	$\lambda$	$P^{-1}\xi$
   $P^{-1}f(A)P$	$f(\lambda )$	$P^{-1}\xi$

   • $A^T$的特征值与$A$相同，但特征向量不再是$\xi$.
   • $A^T$和$A$属于不同特征值的特征向量正交.
   • $f(x)$为多项式，若矩阵$A$满足$f(A)=O$，$\lambda$是$A$的任一特征值，则$\lambda$满足$f(\lambda )=0$.(解得的$\lambda$只是范围，不一定是特征值)

1.3.用特征向量命题

1. $\xi (\ne 0)$是$A$的属于${\lambda }_0$的特征向量$\iff \xi$是$({\lambda }_{0}E-A)x=0$的非零解

2. 重要结论

   • $k$重特征值$\lambda$至多只有$k$个线性无关的特征向量.

   • ${\xi }_1,{\xi }_2$是$A$的属于不同特征值${\lambda }_1,{\lambda }_2$的特征向量$\Rightarrow {\xi }_1,{\xi }_2$线性无关

     $\{\begin{array}{l}{\lambda }_1\ne {\lambda }_2\Rightarrow {\xi }_1,{\xi }_2线性无关\\ {\lambda }_1={\lambda }_2\Rightarrow {\xi }_1,{\xi }_2可能\{\begin{array}{l}线性相关\\ 线性无关\end{array}\end{array}$

   • ${\xi }_1,{\xi }_2$是$A$的属于同一特征值$\lambda$的特征向量$\Rightarrow k_1{\xi }_1+k_2{\xi }_2$($k_1,k_2$不同时为零)仍是$A$的属于特征值$\lambda$的特征向量

     ${\xi }_1,{\xi }_2$是$A$的属于不同特征值${\lambda }_1,{\lambda }_2$的特征向量$\Rightarrow k_1{\xi }_1+k_2{\xi }_2(k_1\ne 0,k_2\ne 0)$不是$A$的任何特征值的特征向量

   • $n$阶矩阵$A,B$满足$AB=BA$，且$A$有$n$个互不相同的特征值$\Rightarrow A$的特征向量都是$B$的特征向量

1.4.用矩阵方程命题

1. $AB=O\Rightarrow A[{\beta }_1,{\beta }_2,\cdots ,{\beta }_n]=[0,0,\cdots ,0]$，即$A{\beta }_i=0{\beta }_i(i=1,2,\cdots ,n)$，若${\beta }_i$均为非零列向量，则${\beta }_i$为$A$的属于$\lambda =0$的特征向量.
2. $AB=C\Rightarrow A[{\beta }_1,{\beta }_2,\cdots ,{\beta }_n]=[{\gamma }_1,{\gamma }_2,\cdots ,{\gamma }_n]\stackrel{若}{=}[{\lambda }_1{\beta }_1,{\lambda }_2{\beta }_2,\cdots ,{\lambda }_n{\beta }_n]$，即$A{\beta }_i={\lambda }_i{\beta }_i(i=1,2,\cdots ,n)$则${\beta }_i$为$A$的属于${\lambda }_i$的特征向量.
3. $AP=PB,P$可逆$\Rightarrow P^{-1}AP=B\Rightarrow A\sim B\Rightarrow {\lambda }_A={\lambda }_B$
4. $A$的每行元素之和均为$k\Rightarrow A\left[\begin{array}{c}1\\ 1\\ ⋮\\ 1\end{array}\right]=k\left[\begin{array}{c}1\\ 1\\ ⋮\\ 1\end{array}\right]\Rightarrow k$是特征值，$\left[\begin{array}{c}1\\ 1\\ ⋮\\ 1\end{array}\right]$是$A$的属于$k$的特征向量

2.相似对角化$(A\sim \Lambda )$

若$A$可相似对角化，即$P^{-1}AP=\Lambda$，其中$P$可逆，则$AP=P\Lambda$，记$P=[{\xi }_1,{\xi }_2,\cdots ,{\xi }_n],\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$,则
$$A[{\xi }_1,{\xi }_2,\cdots ,{\xi }_n]=[{\xi }_1,{\xi }_2,\cdots ,{\xi }_n]\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$$

2.1.充要条件

1. $A$有$n$个线性无关的特征向量$\iff A\sim \Lambda$
2. $n_i=n-r({\lambda }_{i}E-A)\iff A\sim \Lambda ({\lambda }_i$是$n_i$重根$)$

2.2.充分条件

1. $A$是实对称矩阵$\Rightarrow A\sim \Lambda$
   • $A$实对称$\{\begin{array}{l}{\lambda }_1\ne {\lambda }_2\Rightarrow {\xi }_1\perp {\xi }_2\\ {\lambda }_1={\lambda }_2\Rightarrow {\xi }_1,{\xi }_2线性无关\end{array}$
2. $A$有$n$个互异特征值$\Rightarrow A\sim \Lambda$
3. $A^2-(k_1+k_2)A+k_1{k}_{2}E=O$且$k_1\ne k_2\Rightarrow A\sim \Lambda$
   • $A^2=A,A^2=E$
4. $r(A)=1$且$tr(A)\ne 0\Rightarrow A\sim \Lambda$

2.3.必要条件

• $A\sim \Lambda \Rightarrow r(A)=$非零特征值的个数（重根按重数算）
  • $r(A)=r(P^{-1}AP)=r(\Lambda )$

2.4.否定条件

1. $A\ne O,A^k=O$($k$为大于1的整数)$\Rightarrow A$不可相似对角化
   • 命题中出现$\left[\begin{array}{ccc}0& 0& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right],\left[\begin{array}{ccc}0& 1& 1\\ 0& 0& 1\\ 0& 0& 0\end{array}\right]$等，可判别出不可相似对角化
2. $A$的特征值全为$k$但$A\ne kE\Rightarrow A$不可相似对角化
   • 命题中若出现$\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],\left[\begin{array}{ccc}2& 0& 0\\ 1& 2& 0\\ 0& 0& 2\end{array}\right]$等，可判别出不可相似对角化

3.相似($A\sim B$)

设$A,B$都是$n$阶矩阵，若存在$n$阶可逆矩阵$P$，使得$P^{-1}AP=B$，则称矩阵$A$相似于$B$，记作$A\sim B$.

• 若$A$可逆$\Rightarrow AB\sim BA$

3.1.性质

$A\sim B\Rightarrow \{\begin{array}{l}①|A|=|B|\\ ②r(A)=r(B)\\ ③tr(A)=tr(B)\\ ④{\lambda }_A={\lambda }_B,|\lambda E-A|=|\lambda E-B|\\ ⑤属于{\lambda }_A的线性无关的特征向量的个数等于属于{\lambda }_B的线性无关的特征向量的个数\end{array}$

3.2.重要结论

1. $A\sim B\Rightarrow \{\begin{array}{l}{A}^T\sim B^T\\ A^{\ast }\sim B^{\ast }\\ A^{-1}\sim B^{-1}(A可逆)\\ A^m\sim B^m\\ f(A)\sim f(B)\end{array}$
   • 若$P^{-1}AP=B$且当$A$可逆时，记$L(A)=af(A)\pm b{A}^{-1}\pm c{A}^{\ast }\Rightarrow P^{-1}L(A)P=L(B),$即$L(A)\sim L(B)$
2. $A\sim B,B\sim \Lambda \Rightarrow A\sim \Lambda$
3. $A\sim \Lambda ,B\sim \Lambda \Rightarrow A\sim B$
4. $A\sim C,B\sim D\Rightarrow \left[\begin{array}{cc}A& O\\ O& B\end{array}\right]\sim \left[\begin{array}{cc}C& O\\ O& D\end{array}\right]$

4.实对称矩阵

若$A$为实对称矩阵，则

1. 特征值均为实数，特征向量均为实向量
2. 不同特征值对应的特征向量正交（${\lambda }_1\ne {\lambda }_2\Rightarrow {\xi }_1\perp {\xi }_2\Rightarrow ({\xi }_1,{\xi }_2)=0$）
3. 可用正交矩阵相似对角化（存在正交矩阵$Q$，使得$Q^{-1}AQ=Q^{T}AQ=\Lambda$）
4. $A$为$n$阶实对称矩阵$\iff A$有$n$个正交的特征向量
5. $A$为实对称矩阵$\Rightarrow A^{\ast }$为实对称矩阵

5.正交矩阵

1. $A$为正交矩阵，则

   $A^{T}A=E\{\begin{array}{l}\iff A^{-1}=A^T\\ \iff A由规范正交基组成(组成A的每一行(列)均为两两正交的单位向量)\\ \iff A^T是正交矩阵\\ \iff A^{-1}是正交矩阵\\ \iff A^{\ast }是正交矩阵\\ \iff -A是正交矩阵\end{array}$

2. 若$A,B$为同阶正交矩阵，则$AB$为正交矩阵，$A+B$不一定为正交矩阵

3. 若$A$为正交矩阵，则其实特征值的取值范围为 { − 1 , 1 } \{-1,1\} {−1,1}

• 设$n$阶实对称矩阵$A$属于特征值${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$的单位正交特征向量${\xi }_1,{\xi }_2,\cdots ,{\xi }_n$，则$A={\lambda }_1{\xi }_1{\xi }_1^T+{\lambda }_2{\xi }_2{\xi }_2^T+\cdots +{\lambda }_n{\xi }_n{\xi }_n^T$

  • 证：令$Q=[{\xi }_1,{\xi }_2,\cdots ,{\xi }_n]$，有$Q^{T}AQ=\Lambda$，即
    $$A=Q\Lambda Q^T=[{\xi }_1,{\xi }_2,\cdots ,{\xi }_n]\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]\left[\begin{array}{c}{\xi }_1^T\\ {\xi }_2^T\\ ⋮\\ {\xi }_n^T\end{array}\right]={\lambda }_1{\xi }_1{\xi }_1^T+{\lambda }_2{\xi }_2{\xi }_2^T+\cdots +{\lambda }_n{\xi }_n{\xi }_n^T$$