矩阵理论 |
您所在的位置:网站首页 › 幂等矩阵一定可以对角化吗 › 矩阵理论 |
特征值与特征向量
矩阵 A \mathbf A A的特征值与特征向量满足 A x = λ x \mathbf A\mathbf x=\lambda\mathbf x Ax=λx,即 ( A − λ I ) x = 0 (\mathbf A-\lambda\mathbf I)\mathbf x=0 (A−λI)x=0,且 x ≠ 0 \mathbf x\neq0 x=0 特征值: d e t ( A − λ I ) = 0 det(\mathbf A-\lambda\mathbf I)=0 det(A−λI)=0的根,其中 p ( λ ) = d e t ( A − λ I ) p(\lambda)=det(\mathbf A-\lambda\mathbf I) p(λ)=det(A−λI)为特征多项式 A \mathbf A A全体所有特征值也称为 A \mathbf A A的谱,记为 λ ( A ) \lambda(\mathbf A) λ(A)特征向量: ( A − λ I ) x = 0 (\mathbf A-\lambda\mathbf I)\mathbf x=0 (A−λI)x=0的非零解,可见特征向量可能充满一整个子空间,该子空间就是零空间 N ( A − λ I ) N(\mathbf A-\lambda\mathbf I) N(A−λI),称为特征子空间不同特征值对应的特征子空间的交为{0} 相关的小技巧:若 A \mathbf A A的特征值为 λ \lambda λ,则 A − k I \mathbf A-k\mathbf I A−kI的特征值为 λ − k \lambda-k λ−k 代数重数与几何重数首先注意,代数重数与几何重数的概念,都是针对某一个特征值 λ i \lambda_i λi而言的 将 n n n阶矩阵 A \mathbf A A的特征多项式写为 p ( t ) = det ( A − t I ) = ( λ 1 − t ) β 1 ⋯ ( λ k − t ) β k p(t)=\operatorname{det}(A-t I)=\left(\lambda_{1}-t\right)^{\beta_{1}} \cdots\left(\lambda_{k}-t\right)^{\beta_{k}} p(t)=det(A−tI)=(λ1−t)β1⋯(λk−t)βk 其中, β 1 + β 2 + . . . β k = n \beta_1+\beta_2+...\beta_k=n β1+β2+...βk=n( n n n阶多项式,有 n n n个根) 特征值 λ i \lambda_i λi的代数重数为 β i \beta_i βi ps. 代数重数也可以定义为 β i = d i m [ N ( ( A − λ i I ) n ) ] \beta_i=dim[N((\mathbf A-\lambda_i\mathbf I)^n)] βi=dim[N((A−λiI)n)],见特征值的代数重数与几何重数特征值 λ i \lambda_i λi的几何重数为其特征子空间的维数,即 d i m [ N ( A − λ i I ) ] dim[N(\mathbf A-\lambda_i\mathbf I)] dim[N(A−λiI)]对于任一特征值 λ i \lambda_i λi,几何重数 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |