【矩阵论】Chapter 4 |
您所在的位置:网站首页 › n和λ的关系 › 【矩阵论】Chapter 4 |
定义 设 σ \sigma σ为数域 F F F上线性空间 V V V上的一个线性变换,一个非零向量 v ∈ V v\in V v∈V,如果存在一个 λ ∈ F \lambda \in F λ∈F使得 σ ( v ) = λ v \sigma(v)=\lambda v σ(v)=λv,则 λ \lambda λ称为 σ \sigma σ的特征值。 σ \sigma σ的特征值的集合称为 σ \sigma σ的谱。并称 v v v为 σ \sigma σ的属于(或对应于)特征值 λ \lambda λ的特征向量。 特征值和特征向量的求法 设 V V V是数域 F F F上的 n n n维线性空间, v 1 , ⋯ , v n v_1,\cdots,v_n v1,⋯,vn是 V V V的一组基,线性变换 σ \sigma σ在这组基下的矩阵为 A A A,如果 λ \lambda λ是 σ \sigma σ的特征值, α \alpha α是相应的特征向量。则 α = ( v 1 , ⋯ , v n ) ( x 1 ⋮ x n ) \alpha=(v_1,\cdots,v_n)\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} α=(v1,⋯,vn) x1⋮xn 将上式代入 σ ( v ) = λ v \sigma(v)=\lambda v σ(v)=λv得到 σ ( α ) = ( v 1 , ⋯ , v n ) A ( x 1 ⋮ x n ) λ α = λ ( v 1 , ⋯ , v n ) ( x 1 ⋮ x n ) \sigma(\alpha)=(v_1,\cdots,v_n)A\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}\\ \lambda \alpha=\lambda (v_1,\cdots,v_n)\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}\\ σ(α)=(v1,⋯,vn)A x1⋮xn λα=λ(v1,⋯,vn) x1⋮xn 由于 v 1 , ⋯ , v n v_1,\cdots,v_n v1,⋯,vn线性无关,所以 A ( x 1 ⋮ x n ) = λ ( x 1 ⋮ x n ) A\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}=\lambda \begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} A x1⋮xn =λ x1⋮xn 则说明特征向量 α \alpha α的坐标 x = ( x 1 ⋮ x n ) x=\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} x= x1⋮xn 满足齐次线性方程组 ( λ I − A ) x = 0 (\lambda I-A)x=0 (λI−A)x=0。 因为 α ≠ 0 \alpha\neq 0 α=0,则 x ≠ 0 x\neq 0 x=0,即齐次线性方程组 ( λ I − A ) x = 0 (\lambda I-A)x=0 (λI−A)x=0有非零解。有非零解的充要条件是它的系数矩阵它的系数矩阵行列式 ∣ λ I − A ∣ = 0 |\lambda I-A|=0 ∣λI−A∣=0。 相关定义 设 A A A是数域 F F F上的 n n n阶矩阵, λ \lambda λ是一个符号,也是未知的特征值,矩阵 λ I − A \lambda I-A λI−A称为 A A A的特征矩阵,其行列式 ∣ λ I − A ∣ |\lambda I-A| ∣λI−A∣称为 A A A的特征多项式。方程 ∣ λ I − A ∣ = 0 |\lambda I-A|=0 ∣λI−A∣=0称为 A A A的特征方程,它的根(即 λ \lambda λ的值)称为 A A A的特征根(或特征值)。以 A A A的特征值 λ \lambda λ代入 A x = λ x Ax=\lambda x Ax=λx中所得到的非零解 x x x称为 A A A对应于 λ \lambda λ的特征向量。 定理 设 A A A为 n × n n\times n n×n矩阵, λ \lambda λ是一个数值,以下命题等价: λ \lambda λ是 A A A的特征值 ( λ I − A ) x = 0 (\lambda I-A)x=0 (λI−A)x=0有一个非平凡的解(即有非零向量的解) N ( λ I − A ) ≠ { 0 } N(\lambda I-A)\neq\{0\} N(λI−A)={0} λ I − A \lambda I-A λI−A矩阵是奇异矩阵 det ( λ I − A ) = 0 \det(\lambda I-A)=0 det(λI−A)=0特征多项式的系数 如果 p ( λ ) = det ( λ I − A ) = λ n + ∑ k = 1 n ( − 1 ) k c k λ n − k = λ n − c 1 λ n − 1 + ⋯ + ( − 1 ) n − 1 c n − 1 λ + ( − 1 ) n c n p(\lambda)=\det(\lambda I-A)=\lambda^n+\sum_{\\k=1}^n(-1)^kc_k\lambda^{n-k}\\=\lambda ^n-c_1\lambda^{n-1}+\cdots+(-1)^{n-1}c_{n-1}\lambda+(-1)^nc_n p(λ)=det(λI−A)=λn+k=1∑n(−1)kckλn−k=λn−c1λn−1+⋯+(−1)n−1cn−1λ+(−1)ncn 则 c k ( 1 ≤ k ≤ n ) c_k(1\leq k\leq n) ck(1≤k≤n)是所有 k k k阶主子式(选择 k k k行 k k k列形成的行列式)的和,特别的, c 1 = t r ( A ) , c n = det ( A ) c_1=tr(A),c_n=\det(A) c1=tr(A),cn=det(A)。 定理 设 A ∈ C n × n A\in C^{n\times n} A∈Cn×n,如果 A A A有特征值 λ 1 , ⋯ , λ n \lambda_1,\cdots,\lambda_n λ1,⋯,λn,则 t r ( A ) = ∑ i = 1 n λ i , det ( A ) = ∏ i = 1 n λ i tr(A)=\sum_{\\i=1}^n\lambda_i,\det(A)=\prod_{i=1}^n\lambda_i tr(A)=i=1∑nλi,det(A)=i=1∏nλi 如果 A A A相似 B B B,则两个矩阵有相同的特征值和特征多项式。 设 A ∈ C m × n A\in C^{m\times n} A∈Cm×n,则 A H A A^HA AHA和 A A H AA^H AAH特征值都是非负实数,且它们都有相同的非零特征值和相同的重数,并且非零特征值(包含重数)的数量等于 r a n k ( A ) rank(A) rank(A)。 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |