《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。
文章目录
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, σ ∈ L ( V ) , U ∈ V , ∀ α ∈ U , σ ( α ) ∈ U \sigma\in L(V), U\in V, \forall \alpha\in U,\sigma(\alpha)\in U σ∈L(V),U∈V,∀α∈U,σ(α)∈U,则称 U U U是 V V V在 σ \sigma σ下的不变子空间。
对于任意非空线性空间 V , σ ∈ L ( V ) V,\sigma\in L(V) V,σ∈L(V)
例1: { 0 } \{0\} {0}是 V V V的不变子空间
例2: V V V自身是其不变子空间
例3: n u l l σ null\ \sigma null σ是 V V V的不变子空间
例4: r a n g e σ range\ \sigma range σ是 V V V的不变子空间
性质:
- 对于 σ ∈ L ( V ) , σ 在 V 的 一 组 基 ( α 1 , α 2 , . . . , α n ) 下 的 矩 阵 为 \sigma\in L(V),\sigma在V的一组基(\alpha_1,\alpha_2,...,\alpha_n)下的矩阵为 σ∈L(V),σ在V的一组基(α1,α2,...,αn)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 σ ∈ L ( V ) , U 是 V 在 σ 下 的 不 变 子 空 间 \sigma\in L(V), U是V在\sigma下的不变子空间 σ∈L(V),U是V在σ下的不变子空间
- 不变子空间下的线性变换
定义 σ \sigma σ在 U U U下的变换 σ ∣ U ∈ L ( U ) , ∀ α ∈ U , σ ∣ U ( α ) = σ ( α ) \sigma|_U\in L(U),\forall\alpha\in U,\sigma|_U(\alpha)=\sigma(\alpha) σ∣U∈L(U),∀α∈U,σ∣U(α)=σ(α)
- 商变换
定义 σ / U ∈ L ( V / U ) , ∀ α ∈ V , α + U ∈ V / U , ( σ / U ) ( α + U ) = σ ( α ) + U \sigma/U\in L(V/U),\forall \alpha\in V,\alpha+U\in V/U,(\sigma/U)(\alpha+U)=\sigma(\alpha)+U σ/U∈L(V/U),∀α∈V,α+U∈V/U,(σ/U)(α+U)=σ(α)+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 σ ∈ L ( V ) , U \sigma\in L(V),U σ∈L(V),U是 V V V的一维不变子空间,则 U = S p a n ( α ) , σ ( α ) ∈ U ⇒ σ ( α ) = λ ⋅ α , 其 中 λ 是 特 征 值 , α 是 特 征 向 量 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 U=Span(α),σ(α)∈U⇒σ(α)=λ⋅α,其中λ是特征值,α是特征向量
例1:对于 P [ R ] → P [ R ] P[R]\rightarrow P[R] P[R]→P[R]的线性变换, σ ( f ) = f ′ \sigma(f)=f' σ(f)=f′,求特征值与特征向量。
解: σ ( f ) = f ′ = λ ⋅ f ⇒ λ = 0 , f = P 0 [ R ] \sigma(f)=f'=\lambda\cdot f\Rightarrow\lambda=0,f=P_0[R] σ(f)=f′=λ⋅f⇒λ=0,f=P0[R]
例2:对于 R 3 → R 3 , σ ( ( x , y , z ) ) = ( x , 2 y , 3 z ) R^3\rightarrow R^3, \sigma((x,y,z))=(x,2y,3z) R3→R3,σ((x,y,z))=(x,2y,3z)
解:根据定义, { x = λ ⋅ x 2 y = λ ⋅ y 3 z = λ ⋅ z ⇒ { λ = 1 , α = ( 1 , 0 , 0 ) λ = 2 , α = ( 0 , 1 , 0 ) λ = 3 , α = ( 0 , 0 , 1 ) \begin{cases} x=\lambda\cdot x\\ 2y=\lambda\cdot y\\3z=\lambda\cdot z \end{cases}\ \Rightarrow \begin{cases}\lambda=1,\alpha=(1,0,0)\\\lambda=2,\alpha=(0,1,0)\\\lambda=3,\alpha=(0,0,1)\end{cases} ⎩⎪⎨⎪⎧x=λ⋅x2y=λ⋅y3z=λ⋅z ⇒⎩⎪⎨⎪⎧λ=1,α=(1,0,0)λ=2,α=(0,1,0)λ=3,α=(0,0,1)
例3:对于 R 2 → R 2 , σ ( ( x , y ) ) = ( − y , x ) R^2\rightarrow R^2 ,\sigma((x,y))=(-y,x) R2→R2,σ((x,y))=(−y,x),判断是否有特征值。
解:根据定义, { − y = λ ⋅ x x = λ ⋅ y ⇒ λ 2 = − 1 \begin{cases}-y=\lambda\cdot x\\x=\lambda\cdot y\end{cases}\ \Rightarrow \lambda ^2=-1 {−y=λ⋅xx=λ⋅y ⇒λ2=−1,在实数域内无解。
若是复数域,则有特征值 λ = + i o r − i \lambda=+i\ or\ -i λ=+i or −i
性质:
以下命题等价:
- λ \lambda λ是 α \alpha α的特征值
- σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I是非单射线性变换
- σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I是非满射线性变换
- σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I非可逆
证明:
1) λ \lambda λ是 α \alpha α的特征值 ⇒ σ − λ ⋅ I \Rightarrow \sigma-\lambda\cdot I ⇒σ−λ⋅I是非单射
λ \lambda λ是 α \alpha α的特征值 ⇒ σ ( α ) = λ ⋅ α ⇒ σ ( α ) − λ ⋅ I ( α ) = 0 ⇒ ( σ − λ ⋅ I ) ( α ) = 0 \Rightarrow \sigma(\alpha)=\lambda\cdot \alpha\Rightarrow \sigma(\alpha)-\lambda\cdot I(\alpha)=0\Rightarrow(\sigma-\lambda\cdot I)(\alpha)=0 ⇒σ(α)=λ⋅α⇒σ(α)−λ⋅I(α)=0⇒(σ−λ⋅I)(α)=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) σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I是非单射线性变换$\Rightarrow $ σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I是非满射线性变换
σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅I是非单射线性变换且 σ \sigma σ是 V → V V \rightarrow V V→V的映射$\Rightarrow $ σ − λ ⋅ I \sigma-\lambda\cdot I σ−λ⋅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: σ ∈ L ( V ) , F = C , d i m ( V ) = n , 证 σ 一 定 存 在 特 征 值 \sigma\in L(V),F=C,dim(V)=n,证\sigma一定存在特征值 σ∈L(V),F=C,dim(V)=n,证σ一定存在特征值
证明:取 α ≠ 0 , α ∈ V \alpha\not=0,\alpha\in V α=0,α∈V,则有 α , σ ( α ) , σ ( α 2 ) , . . . , σ ( α n ) \alpha,\sigma(\alpha),\sigma(\alpha^2),...,\sigma(\alpha^n) α,σ(α),σ(α2),...,σ(αn)线性相关
⇒ a 0 ⋅ α + a 1 ⋅ σ ( α ) + a 2 ⋅ σ 2 ( α ) + . . . + a n ⋅ σ n ( α ) = 0 \Rightarrow a_0\cdot\alpha+a_1\cdot\sigma(\alpha)+a_2\cdot\sigma^2(\alpha)+...+a_n\cdot\sigma^n(\alpha)=0 ⇒a0⋅α+a1⋅σ(α)+a2⋅σ2(α)+...+an⋅σn(α)=0
⇒ ( a 0 ⋅ I + a 1 ⋅ σ + a 2 ⋅ σ 2 + . . . + a n ⋅ σ n ) ( α ) = 0 \Rightarrow (a_0\cdot I+a_1\cdot \sigma+a_2\cdot\sigma^2+...+a_n\cdot\sigma^n)(\alpha)=0 ⇒(a0⋅I+a1⋅σ+a2⋅σ2+...+an⋅σn)(α)=0
⇒ C ⋅ ( σ − x 1 I ) ( σ − x 2 I ) . . . ( σ − x m I ) ( α ) = 0 \Rightarrow C\cdot(\sigma-x_1I)(\sigma-x_2I)...(\sigma-x_mI)(\alpha)=0 ⇒C⋅(σ−x1I)(σ−x2I)...(σ−xmI)(α)=0,假设最高次为 m m m
⇒ 存 在 σ − x i I 不 为 单 射 ⇒ 存 在 x i 是 特 征 值 \Rightarrow 存在\sigma-x_iI不为单射\Rightarrow 存在x_i是特征值 ⇒存在σ−xiI不为单射⇒存在xi是特征值
例2:证明存在一组基 ( α 1 , α 2 , . . . , α n ) (\alpha_1,\alpha_2,...,\alpha_n) (α1,α2,...,αn),使得线性变换 σ ∈ L ( V ) \sigma\in L(V) σ∈L(V)在该组基下的矩阵 A n × n A_{n\times n} An×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 × n 为 上 三 角 ⟺ S p a n ( α 1 , α 2 , . . . , α i ) , 1 ≤ i ≤ n ⟺ S p a n ( α 1 , α 2 , . . . , α i ) 是 σ 的 不 变 子 空 间 A_{n\times n}为上三角\iff Span(\alpha_1,\alpha_2,...,\alpha_i),1\le i\le n\iff Span(\alpha_1,\alpha_2,...,\alpha_i)是\sigma的不变子空间 An×n为上三角⟺Span(α1,α2,...,αi),1≤i≤n⟺Span(α1,α2,...,αi)是σ的不变子空间
对维数n进行数学归纳:
1)当n=1时, A 1 × 1 A_{1\times 1} A1×1显然是上三角阵;
2)假设n=t-1时, A ( t − 1 ) × ( t − 1 ) A_{(t-1)\times(t-1)} A(t−1)×(t−1)依然是上三角阵
则当n=t时
设 λ \lambda λ是 σ \sigma σ的特征值, α 1 \alpha_1 α1为特征向量,令 U = S p a n ( α 1 ) , d i m ( U ) = 1 U=Span(\alpha_1),dim(U)=1 U=Span(α1),dim(U)=1,已知 U U U是 V V V在 σ \sigma σ下的不变子空间
⇒ d i m ( V / U ) = t − 1 \Rightarrow dim(V/U)=t-1 ⇒dim(V/U)=t−1
⇒ V / U 一 定 存 在 一 组 基 ( α 2 + U , α 3 + U , . . . , α t + U ) \Rightarrow V/U一定存在一组基(\alpha_2+U,\alpha_3+U,...,\alpha_t+U) ⇒V/U一定存在一组基(α2+U,α3+U,...,αt+U)使得 σ / U \sigma/U σ/U在该组基下的矩阵为上三角阵
⇒ V / U = S p a n ( α 2 + U , α 3 + U , . . . , α t + U ) \Rightarrow V/U=Span(\alpha_2+U,\alpha_3+U,...,\alpha_t+U) ⇒V/U=Span(α2+U,α3+U,...,αt+U)
⇒ ∀ α i ∈ V , α i + U ∈ V / U , σ / U ( α i + U ) = x 2 ⋅ ( α 2 + U ) + x 3 ⋅ ( α 3 + U ) + . . . + x t ⋅ ( α 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) ⇒∀αi∈V,αi+U∈V/U,σ/U(αi+U)=x2⋅(α2+U)+x3⋅(α3+U)+...+xt⋅(αt+U)
⇒ σ ( α i ) + U = ( x 2 ⋅ α 2 + x 3 ⋅ α 3 + . . . + x t ⋅ α t ) + U \Rightarrow \sigma(\alpha_i)+U=(x_2\cdot\alpha_2+x_3\cdot\alpha_3+...+x_t\cdot\alpha_t)+U ⇒σ(αi)+U=(x2⋅α2+x3⋅α3+...+xt⋅αt)+U
⇒ σ ( α i ) − ( x 2 ⋅ α 2 + x 3 ⋅ α 3 + . . . + x t ⋅ α t ) ∈ U \Rightarrow \sigma(\alpha_i)-(x_2\cdot\alpha_2+x_3\cdot\alpha_3+...+x_t\cdot\alpha_t)\in U ⇒σ(αi)−(x2⋅α2+x3⋅α3+...+xt⋅αt)∈U
⇒ σ ( α i ) − ( x 2 ⋅ α 2 + x 3 ⋅ α 3 + . . . + x t ⋅ α t ) = x 1 ⋅ α 1 \Rightarrow \sigma(\alpha_i)-(x_2\cdot\alpha_2+x_3\cdot\alpha_3+...+x_t\cdot\alpha_t)=x_1\cdot\alpha_1 ⇒σ(αi)−(x2⋅α2+x3⋅α3+...+xt⋅αt)=x1⋅α1
⇒ σ ( α i ) = x 1 ⋅ α 1 + x 2 ⋅ α 2 + . . . + x t ⋅ α t ∈ S p a n ( α 1 , α 2 , . . . , α t ) \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) ⇒σ(αi)=x1⋅α1+x2⋅α2+...+xt⋅αt∈Span(α1,α2,...,αt)
⇒ A t × t \Rightarrow A_{t\times t} ⇒At×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 × n A_{n\times n} An×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 × 1 A_{1\times 1} A1×1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 α 1 \alpha_1 α1是 A t × t A_{t\times t} At×t的一个特征向量, λ \lambda λ是对应的特征值,
将 α 1 \alpha_1 α1扩充到 V V V的基 ( α 1 , α 2 , . . . , α t ) (\alpha_1,\alpha_2,...,\alpha_t) (α1,α2,...,αt)
⇒ A ⋅ ( α 1 , α 2 , . . . , α t ) = ( α 1 , α 2 , . . . , α t ) ⋅ C t × t \Rightarrow A\cdot (\alpha_1,\alpha_2,...,\alpha_t)=(\alpha_1,\alpha_2,...,\alpha_t)\cdot C_{t\times t} ⇒A⋅(α1,α2,...,αt)=(α1,α2,...,αt)⋅Ct×t
其中 C t × t = [ λ b t − 1 T 0 B ( t − 1 ) × ( t − 1 ) ] C_{t\times t}=\begin{bmatrix}\lambda & b_{t-1}^T\\0&B_{(t-1)\times(t-1)}\end{bmatrix} Ct×t=[λ0bt−1TB(t−1)×(t−1)]
令 P = ( α 1 , α 2 , . . . , α t ) ⇒ P − 1 ⋅ A ⋅ P = C t × t P=(\alpha_1,\alpha_2,...,\alpha_t)\Rightarrow P^{-1}\cdot A\cdot P=C_{t\times t} P=(α1,α2,...,αt)⇒P−1⋅A⋅P=Ct×t
⇒ 存 在 t − 1 阶 矩 阵 S , 使 得 [ 1 0 0 S ] − 1 ⋅ P − 1 ⋅ A ⋅ P ⋅ [ 1 0 0 S ] = [ 1 0 0 S ] − 1 ⋅ [ λ b t − 1 T 0 B ( t − 1 ) × ( t − 1 ) ] ⋅ [ 1 0 0 S ] \Rightarrow 存在t-1阶矩阵S,使得\begin{bmatrix}1&0\\0&S\end{bmatrix}^{-1}\cdot P^{-1}\cdot A\cdot P\cdot \begin{bmatrix}1&0\\0&S\end{bmatrix}=\begin{bmatrix}1&0\\0&S\end{bmatrix}^{-1}\cdot \begin{bmatrix}\lambda & b_{t-1}^T\\0&B_{(t-1)\times(t-1)}\end{bmatrix}\cdot\begin{bmatrix}1&0\\0&S\end{bmatrix} ⇒存在t−1阶矩阵S,使得[100S]−1⋅P−1⋅A⋅P⋅[100S]=[100S]−1⋅[λ0bt−1TB(t−1)×(t−1)]⋅[100S]
令 Q = P ⋅ [ 1 0 0 S ] Q=P\cdot \begin{bmatrix}1&0\\0&S\end{bmatrix} Q=P⋅[100S]
⇒ Q − 1 ⋅ A ⋅ Q = [ 1 0 0 S ] − 1 ⋅ [ λ b t − 1 T 0 B ( t − 1 ) × ( t − 1 ) ] ⋅ [ 1 0 0 S ] = [ λ b t − 1 T ⋅ S 0 S − 1 ⋅ B ( n − 1 ) × ( n − 1 ) ⋅ S ] \Rightarrow Q^{-1}\cdot A\cdot Q=\begin{bmatrix}1&0\\0&S\end{bmatrix}^{-1}\cdot \begin{bmatrix}\lambda & b_{t-1}^T\\0&B_{(t-1)\times(t-1)}\end{bmatrix}\cdot\begin{bmatrix}1&0\\0&S\end{bmatrix}=\begin{bmatrix}\lambda&b_{t-1}^T\cdot S\\0&S^{-1}\cdot B_{(n-1)\times (n-1)}\cdot S\end{bmatrix} ⇒Q−1⋅A⋅Q=[100S]−1⋅[λ0bt−1TB(t−1)×(t−1)]⋅[100S]=[λ0bt−1T⋅SS−1⋅B(n−1)×(n−1)⋅S]
S − 1 ⋅ B ( n − 1 ) × ( n − 1 ) ⋅ S S^{-1}\cdot B_{(n-1)\times (n-1)}\cdot S S−1⋅B(n−1)×(n−1)⋅S为上三角阵
⇒ A t × t \Rightarrow A_{t\times t} ⇒At×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 ∈ L ( V ) , d i m ( V ) = n , λ 1 , λ 2 , . . . , λ k T\in L(V),dim(V)=n,\lambda_1,\lambda_2,...,\lambda_k T∈L(V),dim(V)=n,λ1,λ2,...,λk是 T T T的不同特征值,则 E ( λ 1 , T ) + E ( λ 2 , T ) + . . . + E ( λ k , T ) E(\lambda_1,T)+E(\lambda_2,T)+...+E(\lambda_k,T) E(λ1,T)+E(λ2,T)+...+E(λk,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 V V可以分解为n个1维不变子空间
- V = E ( λ 1 , T ) + E ( λ 2 , T ) + . . . + E ( λ k , T ) V=E(\lambda_1,T)+E(\lambda_2,T)+...+E(\lambda_k,T) V=E(λ1,T)+E(λ2,T)+...+E(λk,T)
3 圆盘定理
3.1 圆盘第一定理
定理内容:对于 A n × n = ( a i j ) n × n , ∣ λ − a i i ∣ ≤ Σ j = 1 , j ≠ i n ∣ a i j ∣ A_{n\times n}=(a_{ij})_{n\times n}, |\lambda-a_{ii}|\le\Sigma_{j=1,j\not=i}^n|a_{ij}| An×n=(aij)n×n,∣λ−aii∣≤Σj=1,j=in∣aij∣
定理理解:若在复数域内,则其几何意义是特征值落在以 Σ j = 1 , j ≠ i n ∣ a i j ∣ \Sigma_{j=1,j\not=i}^n|a_{ij}| Σj=1,j=in∣aij∣为半径, a i j a_{ij} aij为圆心的复数坐标平面的圆盘内。
证明:设 α = ( x 1 , x 2 , . . . , x n ) T \alpha=(x_1,x_2,...,x_n)^T α=(x1,x2,...,xn)T为 A n × n A_{n\times n} An×n的一个特征向量 ⇒ A α = λ ⋅ α \Rightarrow A\alpha=\lambda\cdot \alpha ⇒Aα=λ⋅α
设 k = j , m a x ( x j ) k=j,max(x_j) k=j,max(xj)
∀ i , 1 ≤ i ≤ n \forall i, 1\le i\le n ∀i,1≤i≤n
⇒ ( α i 1 , α i 2 , . . . , α i k , . . . , α k n ) ⋅ ( x 1 , x 2 , . . . , x k , . . . , x n ) T = λ k ⋅ x k \Rightarrow (\alpha_{i1},\alpha_{i2},...,\alpha_{ik},...,\alpha_{kn})\cdot(x_1,x_2,...,x_k,...,x_n)^T=\lambda_k\cdot x_k ⇒(αi1,αi2,...,αik,...,αkn)⋅(x1,x2,...,xk,...,xn)T=λk⋅xk
⇒ ∣ λ k − a i k ∣ ⋅ ∣ x k ∣ = Σ j = 1 , j ≠ k n ∣ a i j ∣ ⋅ ∣ x j ∣ ≤ Σ j = 1 , j ≠ k n ∣ a i j ∣ ⋅ ∣ x k ∣ \Rightarrow |\lambda_k-a_{ik}|\cdot |x_k|=\Sigma_{j=1,j\not=k}^n|a_{ij}|\cdot |x_j|\le \Sigma_{j=1,j\not=k}^n|a_{ij}|\cdot |x_k| ⇒∣λk−aik∣⋅∣xk∣=Σj=1,j=kn∣aij∣⋅∣xj∣≤Σj=1,j=kn∣aij∣⋅∣xk∣
⇒ ∣ λ k − a i k ∣ ≤ Σ j = 1 , j ≠ k n ∣ a i j ∣ \Rightarrow |\lambda_k-a_{ik}|\le \Sigma_{j=1,j\not=k}^n|a_{ij}| ⇒∣λk−aik∣≤Σj=1,j=kn∣aij∣
(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