《矩阵理论》大萌课程笔记 - 特征值与特征向量

《矩阵理论》大萌课程笔记 - 特征值与特征向量

---

总目录

章节名称与链接
线性空间与线性变换	线性空间与子空间
	有限维线性空间、基、维数
	线性变换
内积空间
特征值与特征向量
特殊矩阵
矩阵分解
矩阵函数

---

声明

  本专栏博客用于记录上海交通大学研究生课程《矩阵理论》笔记，课程任教老师为邓大萌老师。所有内容均为博主个人的课堂笔记，包括课堂例题与证明。如有不妥、错误之处欢迎大家指正。

---

---

1 不变子空间

1.1 定义与性质

定义：对于有限维线性空间V有，$\sigma \in L(V),U\in V,\forall \alpha \in U,\sigma (\alpha )\in U$，则称$U$是$V$在$\sigma$下的不变子空间。

对于任意非空线性空间$V,\sigma \in L(V)$

例1： { 0 } \{0\} {0}是$V$的不变子空间

例2：$V$自身是其不变子空间

例3：$null\sigma$是$V$的不变子空间

例4：$range\sigma$是$V$的不变子空间

性质：

• 对于$\sigma \in L(V),\sigma 在V的一组基({\alpha }_1,{\alpha }_2,...,{\alpha }_n)下的矩阵为$分块对角阵

1.2 与不变子空间有关的特殊线性变换

对于$\sigma \in L(V),U是V在\sigma 下的不变子空间$

• 不变子空间下的线性变换

定义$\sigma$在$U$下的变换$\sigma {|}_U\in L(U),\forall \alpha \in U,\sigma {|}_U(\alpha )=\sigma (\alpha )$

• 商变换

定义$\sigma /U\in L(V/U),\forall \alpha \in V,\alpha +U\in V/U,(\sigma /U)(\alpha +U)=\sigma (\alpha )+U$为商变换。

2 特征值与特征向量

2.1 定义与性质

定义：对于$\sigma \in L(V),U$是$V$的一维不变子空间，则$U=Span(\alpha ),\sigma (\alpha )\in U\Rightarrow \sigma (\alpha )=\lambda \cdot \alpha ,其中\lambda 是特征值，\alpha 是特征向量$

例1：对于$P[R]\to P[R]$的线性变换,$\sigma (f)=f^{\prime }$,求特征值与特征向量。

​ 解：$\sigma (f)=f^{\prime }=\lambda \cdot f\Rightarrow \lambda =0,f=P_0[R]$

例2：对于$R^3\to R^3,\sigma ((x,y,z))=(x,2y,3z)$

​ 解：根据定义, $$\{\begin{array}{l}x=\lambda \cdot x\\ 2y=\lambda \cdot y\\ 3z=\lambda \cdot z\end{array}\Rightarrow \{\begin{array}{l}\lambda =1,\alpha =(1,0,0)\\ \lambda =2,\alpha =(0,1,0)\\ \lambda =3,\alpha =(0,0,1)\end{array}$$

例3：对于$R^2\to R^2,\sigma ((x,y))=(-y,x)$,判断是否有特征值。

​ 解：根据定义，$\{\begin{array}{l}-y=\lambda \cdot x\\ x=\lambda \cdot y\end{array}\Rightarrow {\lambda }^2=-1$，在实数域内无解。

​ 若是复数域，则有特征值$\lambda =+ior-i$

性质：

以下命题等价：

• $\lambda$是$\alpha$的特征值
• $\sigma -\lambda \cdot I$是非单射线性变换
• $\sigma -\lambda \cdot I$是非满射线性变换
• $\sigma -\lambda \cdot I$非可逆

证明：

1）$\lambda$是$\alpha$的特征值$\Rightarrow \sigma -\lambda \cdot I$是非单射

$\lambda$是$\alpha$的特征值$\Rightarrow \sigma (\alpha )=\lambda \cdot \alpha \Rightarrow \sigma (\alpha )-\lambda \cdot I(\alpha )=0\Rightarrow (\sigma -\lambda \cdot I)(\alpha )=0$

⇒ α ∈ n u l l   ( σ − λ ⋅ I ) ≠ { 0 } ⇒ σ − λ ⋅ I 非 单 射 \Rightarrow \alpha \in null\ (\sigma-\lambda\cdot I)\not=\{0\}\Rightarrow\sigma-\lambda\cdot I非单射 ⇒α∈null (σ−λ⋅I)​={0}⇒σ−λ⋅I非单射

2）$\sigma -\lambda \cdot I$是非单射线性变换$\Rightarrow $$\sigma -\lambda \cdot I$是非满射线性变换

$\sigma -\lambda \cdot I$是非单射线性变换且$\sigma$是$V\to V$的映射$\Rightarrow $$\sigma -\lambda \cdot I$是非满射线性变换

3）非单射非满射推出非可逆显然成立

例1：$\sigma \in L(V),F=C,dim(V)=n，证\sigma 一定存在特征值$

证明：取$\alpha \ne 0,\alpha \in V$，则有$\alpha ,\sigma (\alpha ),\sigma ({\alpha }^2),...,\sigma ({\alpha }^n)$线性相关

​ $\Rightarrow a_0\cdot \alpha +a_1\cdot \sigma (\alpha )+a_2\cdot {\sigma }^2(\alpha )+...+a_n\cdot {\sigma }^n(\alpha )=0$

​ $\Rightarrow (a_0\cdot I+a_1\cdot \sigma +a_2\cdot {\sigma }^2+...+a_n\cdot {\sigma }^n)(\alpha )=0$

​ $\Rightarrow C\cdot (\sigma -x_{1}I)(\sigma -x_{2}I)...(\sigma -x_{m}I)(\alpha )=0$,假设最高次为$m$

​ $\Rightarrow 存在\sigma -x_{i}I不为单射\Rightarrow 存在x_i是特征值$

例2：证明存在一组基$({\alpha }_1,{\alpha }_2,...,{\alpha }_n)$，使得线性变换$\sigma \in L(V)$在该组基下的矩阵$A_{n\times n}$是上三角阵

证明方法一：通过线性变换的角度证明

​ 已知定理：$A_{n\times n}为上三角⟺Span({\alpha }_1,{\alpha }_2,...,{\alpha }_i),1\le i\le n⟺Span({\alpha }_1,{\alpha }_2,...,{\alpha }_i)是\sigma 的不变子空间$

​ 对维数n进行数学归纳：

​ 1）当n=1时，$A_{1\times 1}$显然是上三角阵；

​ 2）假设n=t-1时，$A_{(t-1)\times (t-1)}$依然是上三角阵

​ 则当n=t时

​ 设$\lambda$是$\sigma$的特征值，${\alpha }_1$为特征向量，令$U=Span({\alpha }_1),dim(U)=1$,已知$U$是$V$在$\sigma$下的不变子空间

​ $\Rightarrow dim(V/U)=t-1$

​ $\Rightarrow V/U一定存在一组基({\alpha }_2+U,{\alpha }_3+U,...,{\alpha }_t+U)$使得$\sigma /U$在该组基下的矩阵为上三角阵

​ $\Rightarrow V/U=Span({\alpha }_2+U,{\alpha }_3+U,...,{\alpha }_t+U)$

​ $\Rightarrow \forall {\alpha }_i\in V,{\alpha }_i+U\in V/U,\sigma /U({\alpha }_i+U)=x_2\cdot ({\alpha }_2+U)+x_3\cdot ({\alpha }_3+U)+...+x_t\cdot ({\alpha }_t+U)$

​ $\Rightarrow \sigma ({\alpha }_i)+U=(x_2\cdot {\alpha }_2+x_3\cdot {\alpha }_3+...+x_t\cdot {\alpha }_t)+U$

​ $\Rightarrow \sigma ({\alpha }_i)-(x_2\cdot {\alpha }_2+x_3\cdot {\alpha }_3+...+x_t\cdot {\alpha }_t)\in U$

​ $\Rightarrow \sigma ({\alpha }_i)-(x_2\cdot {\alpha }_2+x_3\cdot {\alpha }_3+...+x_t\cdot {\alpha }_t)=x_1\cdot {\alpha }_1$

​ $\Rightarrow \sigma ({\alpha }_i)=x_1\cdot {\alpha }_1+x_2\cdot {\alpha }_2+...+x_t\cdot {\alpha }_t\in Span({\alpha }_1,{\alpha }_2,...,{\alpha }_t)$

​ $\Rightarrow A_{t\times t}$为上三角阵

---

证明方法二：通过矩阵角度证明

证明：原命题等价为n阶矩阵$A_{n\times n}$相似一个上三角阵，对矩阵的阶数n采用数学归纳法如下：

1）当n=1时，显然$A_{1\times 1}$相似一个上三角成立；

2）当n=t-1时，假设命题成立，

​ 则当n=t时：设${\alpha }_1$是$A_{t\times t}$的一个特征向量，$\lambda$是对应的特征值，

​ 将${\alpha }_1$扩充到$V$的基$({\alpha }_1,{\alpha }_2,...,{\alpha }_t)$

​ $\Rightarrow A\cdot ({\alpha }_1,{\alpha }_2,...,{\alpha }_t)=({\alpha }_1,{\alpha }_2,...,{\alpha }_t)\cdot C_{t\times t}$

​ 其中$C_{t\times t}=\left[\begin{array}{cc}\lambda & b_{t-1}^T\\ 0& B_{(t-1)\times (t-1)}\end{array}\right]$

令$P=({\alpha }_1,{\alpha }_2,...,{\alpha }_t)\Rightarrow P^{-1}\cdot A\cdot P=C_{t\times t}$

$\Rightarrow 存在t-1阶矩阵S，使得{\left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]}^{-1}\cdot P^{-1}\cdot A\cdot P\cdot \left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]={\left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]}^{-1}\cdot \left[\begin{array}{cc}\lambda & b_{t-1}^T\\ 0& B_{(t-1)\times (t-1)}\end{array}\right]\cdot \left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]$

令$Q=P\cdot \left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]$

$\Rightarrow Q^{-1}\cdot A\cdot Q={\left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]}^{-1}\cdot \left[\begin{array}{cc}\lambda & b_{t-1}^T\\ 0& B_{(t-1)\times (t-1)}\end{array}\right]\cdot \left[\begin{array}{cc}1& 0\\ 0& S\end{array}\right]=\left[\begin{array}{cc}\lambda & b_{t-1}^T\cdot S\\ 0& S^{-1}\cdot B_{(n-1)\times (n-1)}\cdot S\end{array}\right]$

$S^{-1}\cdot B_{(n-1)\times (n-1)}\cdot S$为上三角阵

$\Rightarrow A_{t\times t}$相似一个上三角阵

2.2 特征子空间

定义子空间 E ( λ , σ ) = { α : σ ( α ) = λ ⋅ α } E(\lambda,\sigma)=\{\alpha:\sigma(\alpha)=\lambda\cdot \alpha\} E(λ,σ)={α:σ(α)=λ⋅α}称为特征子空间。

$T\in L(V),dim(V)=n,{\lambda }_1,{\lambda }_2,...,{\lambda }_k$是$T$的不同特征值，则$E({\lambda }_1,T)+E({\lambda }_2,T)+...+E({\lambda }_k,T)$是直和。

以下三条相互等价：

• σ ( α 1 , α 2 , . . . , α n ) = ( α 1 , α 2 , . . . , α n ) ⋅ A , A = { 对 角 阵 } \sigma(\alpha_1,\alpha_2,...,\alpha_n)=(\alpha_1,\alpha_2,...,\alpha_n)\cdot A,A=\{对角阵\} σ(α1​,α2​,...,αn​)=(α1​,α2​,...,αn​)⋅A,A={对角阵}
• $V$可以分解为n个1维不变子空间
• $V=E({\lambda }_1,T)+E({\lambda }_2,T)+...+E({\lambda }_k,T)$

3 圆盘定理

3.1 圆盘第一定理

定理内容：对于$A_{n\times n}=(a_{ij}{)}_{n\times n},|\lambda -a_{ii}|\le {\Sigma }_{j=1,j\ne i}^n|a_{ij}|$

定理理解：若在复数域内，则其几何意义是特征值落在以${\Sigma }_{j=1,j\ne i}^n|a_{ij}|$为半径，$a_{ij}$为圆心的复数坐标平面的圆盘内。

证明：设$\alpha =(x_1,x_2,...,x_n{)}^T$为$A_{n\times n}$的一个特征向量$\Rightarrow A\alpha =\lambda \cdot \alpha$

设$k=j,max(x_j)$

$\forall i,1\le i\le n$

$\Rightarrow ({\alpha }_{i1},{\alpha }_{i2},...,{\alpha }_{ik},...,{\alpha }_{kn})\cdot (x_1,x_2,...,x_k,...,x_n{)}^T={\lambda }_k\cdot x_k$

$\Rightarrow |{\lambda }_k-a_{ik}|\cdot |x_k|={\Sigma }_{j=1,j\ne k}^n|a_{ij}|\cdot |x_j|\le {\Sigma }_{j=1,j\ne k}^n|a_{ij}|\cdot |x_k|$

$\Rightarrow |{\lambda }_k-a_{ik}|\le {\Sigma }_{j=1,j\ne k}^n|a_{ij}|$

(感觉证明过程有点不严谨)

3.2 圆盘第二定理

  定理内容:有k个圆盘相交，则相交圆盘的并区域一定有k个特征值。

3.3 谱与谱半径

定义：

  谱：表示所有特征值构成的集合

  谱半径：表示特征值模最大值