矩阵特征值与特征向量的几个问题的思考
矩阵特征值与特征向量的几个问题的思考
第1章引言
矩阵是数学中的一个重要的基本概念,是代数学的一个主要研究对象,也是数学研究和应用的一个重要工具.“矩阵”这个词是由西尔维斯特(J.Sylvester,英国,1814-1897)首先使用的,他是为了将数字的矩形阵列区别于行列式而发明了这个述语.而实际上,矩阵这个课题在诞生之前就已经发展的很好了.从行列式的大量工作中明显的表现出来,方阵本身可以用行列式的性质来研究和使用,矩阵的许多基本性质也是在行列式的发展中建立起来的.在逻辑上,矩阵的概念应先于行列式的概念,然而在历史上次序正好相反.
矩阵本身所具有的性质依赖于元素的性质,矩阵由最初作为一种工具经过两个多世纪的发展,现在已成为独立的一门数学分支——矩阵论.而矩阵论又可分为矩阵方程论、矩阵分解论和广义逆矩阵论等矩阵的现代理论.矩阵及其理论现已广泛地应用于现代科技的各个领域.
现代行列式与矩阵的研究从形式上已推广到无限阶,从内容上已有了属于抽象域的元素的矩阵,这些理论都在继续发展之中.
现如今,矩阵在许多领域有所应用,一般只要是多维函数关系都能用到,如经济领域、矢量计算、流体流动、传热传质等等.这些领域的问题既是实际问题的应用,实质上也是数学理论的求解.对于数学的场论等方面理论问题,有时需要这一工具来求解.它在数学的发展史上
有一定地位与作用,它的产生主要源自于解决现实多元问题的需要,但是建立在数学理论发展到一定阶段的基础上. 第2章 矩阵特征值与特征向量的概念 2.1 矩阵特征值与特征向量
工程技术中的一些问题,如振动问题和稳定性问题,常可归结为求一个方阵的特征值和特征向量的问题.数学中诸如方阵的对角化及解微分方程组等问题,也要用到特征值的理论. 2.1.1 矩阵的特征值与特征向量
定义1 设A 是n 阶矩阵,如果λ和n 维非零列向量x 使关系式 x x λA = (1) 成立,那么,这样的数λ称为矩阵A 的特征值,非零列向量x 称为A 的对应于特征值λ的特征向量.(1)式也可写成 ()0x λA -E =,
这是n 个未知数和n 个方程的齐次线性方程组,它有非零解的充要条件是系数行列式0λA -E =,即
1112
1212221
2
-=0n
n n n nn a a a a a a a a a λλλλ
--A E =-
上式是以λ为未知数的一元n 次方程,称为矩阵A 的特征方程.其左端-λA E 是λ的n 次多项式,记作()f λ,称为矩阵A 的特征多项式.显然,A 的特征值就是特征方程的解.特征方程在复数范围恒有解,其个数为方程的次数(重数按重数计算).因此,n 阶矩阵A 在复数范围内有n 个特征值.
令i λλ=为矩阵A 的一个特征值,则由方程 ()0i x λA-E =
可求得非零解i x p =,即()0i x λA-E =的所有非零解都是A 的对应于特征值i λ的特征向量.(若i λ为实数,则i p 可取实向量;若i λ为复数,则i p 为复向量.)
2.2 特征值和特征向量的性质
根据上一节中的定义,我们可总结出一般矩阵和特殊矩阵的关于特征值和特征向量的相关性质.
2.2.1 一般矩阵的特征值与特征向量的性质
定理1 设A 为n 阶矩阵,则A 与T A 有相同的特征值;
定理2 设12,,,n λλλ为方阵()ij a A =的n 个特征值,则有下面结论成立: (1)()11
n
n
i ii i i a tr λ====A ∑∑(方阵A 的迹);
(2)1
n
i i λ==A ∏.
由此定理可得下面的推论.
推论 n 阶方阵A 可逆的充要条件是0不为A 的特征值.
定理3 设12,,,m λλλ为方阵()ij a A =的m 个互异的特征值,12,,,m p p p 为与之依次对应的特征向量,则12,,,m p p p 线性无关.
例1 设1λ和2λ是矩阵A 的两个不同的特征值,对应的特征向量依次为1p 和2p .证明:12p p +不是A 的特征向量. 证 按题设,有 111222,p p p p λλA =A =,故 ()112212p p p p λλA +=+,
用反证法, 假设12p p +是A 的特征向量,则应存在数λ,使
(
)()1212p p p p λA +=+,于是
()1
2
1
1
2
2
p p p p
λλλ+=+,即()()11220p p λλλλ-+-=,
由12λλ≠,则有1p ,2p 是线性无关的, 故 由上式得 120λλλλ-=-=,
即12λλ=,与题设矛盾,因此12p p +不是A 的特征向量.
定理4 若λ是矩阵A 的特征值,x 是A 的属于λ的特征向量,则 (1)m λ是m A 的特征值(m 是自然数); (2)k λ是kA 的特征值()k R ∈;
(3)当A 为可逆时,1λ-A 是*A 的特征值.
按以上定理类推可知,若λ是矩阵A 的特征值,且
()01m m A a E a A a A ?=++
+是关于矩阵A 的多项式,那么有 ()01m m a a a ?λλλ=++
+是矩阵()A ?的特征值.
例 2 设三阶矩阵A 的特征值为1,-1,2,设矩阵32*B =A +A -E , 试求 (1)B 的特征值;
(2)B .
解 因A 的特征值全部为0,所以A 可逆, 故 1111232λλλ*---A =A A =A =-A
∴ ()132232?*-A =B =A +A-E =-A +A-E ()2
32?λλλ
=-+-
可得 B 的特征值为()()()11,13,23???=--=-= ()()()1129???∴B =?-?=
总结
(1)属于不同特征值的特征向量是线性无关的;
(2)属于同一特征值的特征向量的非零线性组合仍是属于这个特征值的特征向量;
(3)矩阵的特征向量总是相对于矩阵的特征值的,一个特征值具有的特征向量不是惟一的;一个特征向量不能属于不同的特征值. 因为如果设x 同时是A 的属于特征值1λ和2λ(12λλ≠)的特征向量,即有 12,x x x x λλA =A =, 12x x λλ?= ()120x λλ?-=
由于 120λλ-≠,则0x =,与定义矛盾.
(4)从矩阵特征值和特征向量的定义和性质可以看出,方阵的特征值、特征向量问题与方阵行列式、齐次线性方程组及向量组中的线性相关(无关)等问题有关.
2.2.2 实对称矩阵的特征值和特征向量的性质
实对称矩阵除了具有以上性质之外还有特殊的性质,下面就简单介绍几个常用的性质.
(1)实对称矩阵A 的特征值必为实数;
(2)实对称矩阵A 的不同特征值所对应的特征向量正交;
(3)λ是实对称矩阵A 的k 重特征值,则λ必有k 个线性无关的特征向量.
第3章 特征值与特征向量的求法
3.1 特征值与特征向量的一般求法
矩阵一般可分为数值矩阵和抽象矩阵,因此出题的类型也不同.为此,针对不同的类型可介绍不同的方法. 3.1.1 求实数值矩阵的特征值和特征向量
在实数域中,求数值矩阵特征值和特征向量的一般步骤:
1.计算矩阵A 的特征多项式,求出特征方程0A E λ-=的所有根,设矩阵A 有s 个不同的特征值,12s λλλ,,,;
2.对于矩阵A 的每个特征值()1,2,,i i s λ=,求解齐次方程组
()0i x λA-E =,
方程组的非零解即为矩阵A 的对应于i λ的全部特征向量. 例 3 已知 011101110??
?
A = ? ???
,求A 的特征值和特征向量. 解 A 的特征多项式为
()()2
11
1
1211
1
λ
λλλλλ
-A -E =-=-+-,
得 A 的特征值为 1232,1λλλ===. 当12λ=时,解方程组()20x A -E =,即
12321
1012101120x x x -?????? ??? ?
-= ??? ? ??? ?-??????
, 解之得基础解系为 ()11,1,1p T
=,
所以 11k p 是对应于12λ=的全部特征向量,1k 为任何非零实数; 当231λλ==时,解方程组()0x A +E =,即
123111*********x x x ??????
??? ?
= ??? ? ??? ???????
, 解之得基础解系为 ()()231,1,0,1,0,1p p T T
=-=-
所以 2233k p k p +是对应于231λλ==的全部特征向量,2k 和3k 为任意非零实数,且不同时为0. 3.1.2 求抽象矩阵的特征值和特征向量
抽象矩阵的特征值和特征向量的求法可依据特征值和特征向量的定义和给出的已知条件来计算.
例4 设()()1212,,,,,,,n n a a a b b b αβT T
==都是非零向量,且满足条件 0αβT
=(内积),记n 阶矩阵αβT
A =, 求(1)2A ;
(2)矩阵A 的特征值和特征向量. 解(1)由αβT
A =和0αβT
= 有 ()()()2
αβ
αβααββ
T
T
T
T
A =AA ===O
即 2A =O ;
(2)设λ为A 的任一特征值,A 的属于特征值λ的特征向量为
()
0x x ≠,则
,0x x x λA =≠ 于是 ()22x x x λλA =A = 因为 2A =O ,所以 20x λ= 由于 0x ≠,故有0λ=, 即 A 的特征值全为零;
不妨设向量,αβ中分量110,0a b ≠≠,对齐次线性方程组()00x A -E =的系数矩阵施行初等行变换:
1112112
2122212
00000
0n n n n n n n a b a b a b b b b a b a b a b a b a b a b ????
? ? ? ?A =→
? ?
?
???
?? 因此 可得该方程组的基础解系为
32111121100,,,010001n n b b b b b b ααα-????
??
--- ? ? ?
? ? ?
? ? ?
===
? ? ? ? ?
?
? ? ?
? ? ?
????
??
于是A 的属于特征值0λ=的全部特征向量为
112211n n k k k ααα--+++ ,其中121,,,n k k k -是不全为0的任意实数. 总结
(1)若()1?A =,则A 一定可分解为()1212,,,n n a a b b b a ??
? ?A = ? ???
,且
()()
()1122212121122,,,,,
,n n n n n n a a a a
b b b b b b a a a b a b a b ???? ? ? ? ?A =AA = ? ? ? ?????
=+++A
从而其特征值为1112223,0n n n a b a b a b λλλλ=+++==
==;
(2)若()1?A =,则A 一定可分解为,αβT
A =且m βαT
=,则 ()()()()()()k αβ
αβαβαβαβαβαβ
T
T
T
T
T
T
T
A ==
11k k m m αβT
--==A
3.2 特征值与特征向量的简易求法
介绍求矩阵的一般方法是求特征方程()0A f λλ=A-E =的在实数范围内的全部根12,,,r λλλ(互异),而求得的相应的特征向量则是对每个i λ求齐次线性方程组()0i x λA-E =的非零解,两者的计算是分离的,一个是计算行列式,另一个是解齐次线性方程组,计算量都较大. 本节介绍求矩阵的特征值与特征向量的两种简易方法,即列行互逆变换法和列初等变换法,这两种方法均只用一种元素—矩阵运算.列行互逆变换法是一种可同步求出特征值与特征向量的方法,而且不需要考虑带参数的特征矩阵.而矩阵的列初等变换法,在求出特征值的同时,有时碰巧已完成了求特征向量的全部运算.两种方法计算量少,且运算规范,不易出错. 3.2.1 列行互逆变换法
定义2 把矩阵的下列三种变化称为列行互逆变换: (1)互换,i j 两列(i j c c ?),同时互换,j i 两行(j i r r ?);
(2)第i 列乘以非零数()i k kc ,同时第i 行乘以11i r k k
?? ??
?
; (3)第i 列的k 倍加到第j 列()j i c kc +,同时第j 行的k -倍加到第i 行
()i
j
r kr -.
定理5 复数域C 上任一n 阶矩阵A 都与一个Jordan 标准矩阵
()()(){
}
1212,,
,r k k k r J diag J J J λλλ=相似,其中
()10000
1
01,2,,000100
i i
i i k i
i k J i r λλλλ?? ? ?
?== ? ? ??
?
称为Jordan 块,12r k k k n ++=,并且这个Jordan 标准形矩阵除去其中Jordan 块的排列次序外被矩阵A 唯一确定,J 称为A 的Jordan 标准形.
定理 6 A 为任意n 阶方阵,若A J E P T ??
????????→ ? ?????一系列列行互逆变换,其中
()()(){
}
1212,,
,r k k k r J diag J J J λλλ=是Jordan 标准形矩阵,()1,
,r P P P =,
(
)
()1,
,1,2,
,,i
i i ik P i r ββT
==12r k k k n ++
=.则i λ为A 的特征值,i i ik αβ=为
A 的对应特征值i λ的特征向量.
证明 由定理5可知,任一矩阵必相似与一Jordan 矩阵,按定理5中化简方法,有矩阵A 的转置矩阵T A 相似于一Jordan 矩阵,即存在可逆
矩阵P ,使()
1
P P J -T T
T
A =,故P P
J T
A =,其中()1111,,,,,,r r P βαβα=,
1
000
000
1
010
0,00010
00000
00
1
i i i i
i
i i i k k i
i
i i k k J J λλλλλλλλT ????
? ? ? ?
? ?== ? ? ? ? ? ??
??
? 所以
(
)
1111,
,,,,,r r
A βαβα
(
)
11111,
,,,,
,k r r ki J A J βαβαT
T ?? ?=
? ??
?
故有 ()1,2,,i i i A i r αλα==
所以i λ为A 的特征值,i ik αβ=为A 的对应特征值i λ的特征向量.
例 5 求 211031213-??
?
A =- ? ???
的特征值与特征向量. 解 1321311221111103113121300410010001001000
1101c c c c r r r r A E --++--???? ? ?-- ? ?
?
???
? ? ?=???→???
→
? ? ? ? ?
???
? ? ? ?
? ?-?
???
132321123322220
02002001201211200040040041
11211011110101001121111111112c c c r r r -+?????? ?
? ? ?- ? ? ?
? ? ?
? ? ????→??→ ? ? ?- ? ? ?-- ? ? ?-- ? ? ? ? ? ?--???? ?
-??
所以特征值1232,4λλλ===,对应特征值122λλ==的一个特征向量
()11,1,1αT
=-,对应34λ=的一个特征向量()31,1,1αT
=-.
注
(1)解答过程中第一次变换中的1k =-是由方程()()2320k k k +++-=确定的,第二次变换中的1k =-是由方程()()130k k k -+++-=确定的,第三次变换中的1
2
k =-是由方程()1240k k -++-=确定的.
(2)矩阵A 在作列变换的同时,也作相应的行变换,矩阵E 只作相应的列变换.
3.2.2 列初等变换法
定理7 设A 是n 阶方阵,E 为n 阶单位矩阵,λ为待求特征值.若对矩
阵E A λ-施行一系列列初等变换,可得到下三角矩阵()M λ,则令()M λ的主对角线上元素乘积为零,求得λ值即为矩阵A 的特征值.
证明 设11121212221
2n n n n nn a a a a a a E A a a a λλλλ---??
?--- ?
-= ?
?---??
考察()E A λ-的第一行元素:若1i a 不全为零()1,2,,i n =,任取其一,
记为()1b λ,通过列初等变换化为()()110b C λλ?? ?*??
;若()101,2,
,i a i n ==,
则()E A λ-就具有这种形式,再对()1C λ进行相应的列初等变换,化为
()
()220b C λλ?? ?*?
?,再对()2C λ进行类似的计算,直至()E A λ-化为三角矩阵()()
()()()121
0000n n b b M b b λλλλλ-?? ?
?
?= ?
? ?*?
?
,由以上运算可知,()E A λ-与()M λ等价,则()E A λ-与()M λ有相同的初等因子,定理得证.
由定理7求出()1,2,,i i n λ=,将每个特征值i λ代入()M λ得()i M λ,再由定理8求出相应的特征向量.
定理8 对矩阵()i E A λ-施行一系列列初等变换,化为列阶梯形,同时对单位矩阵也施行相应的列初等变换即存在n 阶可逆矩阵,n n Q ,使
,,,,,i n r n n r n n n r n n r E A C Q Q
Q E λ---??
O ??
?
= ? ???
?
??
其中()i r r λE-A =,,n r C 为满秩矩阵,(),,,n n n r n n r Q Q Q -=,则分块矩阵,n n r Q -的n r -个n 维列向量即为矩阵A 的特征值i λ对应的特征向量.
证明 对矩阵()i λE -A ,经过有限次初等变换化为标准形,即存在n 阶可逆矩阵,n n P 及,n n Q ,使(),,,,,r r
r n r n n i nn n r r n r n r E P Q λ----O ??
E -A = ?O O ??
,于是 (),,1
,,,,r r
r n r i n n n n
n r r n r n r E Q P λ-----O ??
E -A =
?O O ??
,根据分块矩阵的运算 ()()()
,,,,,,,,r r r n r
i n n n n r n n n n r n r r
n r n r E Q Q P P λ------O ??
''E -A = ?O O ?? ()()()(),,,,i n r i n n r n r n n r Q Q C λλ--E -A E -A =O (),i n n r Q λ-E-A =O ,,n n r i n n r Q Q λ--A =
故,n n r Q -的n r -个n 维列向量即为矩阵A 的特征值i λ对应的特征向量.又因为,n n O 可逆,知这些特征向量线性无关.证毕. 由定理7、定理8可知计算特征值与特征向量的步骤:
(1)计算()()C E Q λλλE -A ????
? ???????→ ? ?
? ?????
一系列列初等变换,其中()C λ为含λ的下三角矩阵,()Q λ为E 经过初等列变换得到的矩阵;
(2)令()C λ主对角元素之积为零,求出根即为特征值()1,2,,i i n λ=; (3)将求出的()1,2,
,i i n λ=代入()()C Q λλ?? ?
? ?
??
中为()()i i C Q λλ??
? ? ???,再进行列初等变
换,当()i C λ化为列阶梯形,当非零列向量个数为λ时,()i Q λ中的n r -个列向量即为i λ对应的特征向量. 例6 重做例5
解 132111
120113021312100001010010001100c c E λλλλλλλ?----???? ? ?- ? ?
?
?E -A -----??
? ? ?=???→
? ? ? ? ? ??? ? ?
? ? ? ????? ()()()()()3121
3122100100
12212034543442001001010011102103c c c c c c C Q λλλλλλλλλλλλλλλλ-++---????
? ?
--- ? ?
? ???
---+---- ? ? ?????→???
→= ? ? ? ? ? ??
? ? ?- ? ?
? ?--???
?
令()C λ主对角线元素之积为零,即()()2
420λλ---=,特征值
1232,4λλλ===.
当122λλ==时,()()11100100120001011111C Q λλ-??
? ?
?
??--
? ?=
? ? ? ?
?? ?
- ? ?-??
()()12r C λ=,于是122λλ==对应的一个特征向量为()11,1,1αT
=--;
当34λ=时,()()331001
201000
0101111
1C Q λλ-?? ? ? ???
? ?=
? ? ? ???
?- ? ??
?
, ()()32r C λ=,于是34λ=对应的一个特征向量为()21,1,1αT
=-.
第4章 矩阵特征值与特征向量的应用
4.1 理论上的应用
4.1.1 方阵对角化的问题
定义3 设,A B 是n 阶方阵,若存在n 阶可逆矩阵P ,使 1P AP B -=
则称矩阵A 相似于矩阵B (或称A 与B 相似),记作A ~B . 相似矩阵具有如下性质:
(1)若A ~B ,则有 ()()r A r B =; (2)相似矩阵具有相同的特征值; (3)若n 阶方阵A 与对角矩阵
1
2
n λλλ??
?
?Λ= ? ??
?
相似,则12,,,n λλλ即为A 的n 个特征值,此时称矩阵A 可对角化. 4.1.2 矩阵可对角化的判定
定理 9 n 阶方阵A 与对角矩阵Λ相似(即A 可对角化)的充要条件是
A 有n 个线性无关的特征向量12,,
,n p p p ,且将矩阵A 化为对角矩阵的
矩阵为()12,,,n P p p p =;
推论 如果n 阶方阵有n 个不同的特征值,则A 与对角矩阵Λ相似,即矩阵A 可对角化.
例 7 判定矩阵211020413A -?? ?= ? ?-??,110430102B -??
?
=- ? ???
是否可对角化. 分析:由上面的判定方法可知,要想判断矩阵A 和B 是否可对角化,
只需看对应特征值的特征向量的个数.当特征方程有重根时,就不一定有n 个线性无关的特征向量,从而不一定可对角化. 解 (1)由矩阵A 的特征方程0A E λ-=可得
即 ()()2
2110201204
1
3A E λ
λλλλλ
---=
-=-+-=--
可得矩阵A 的特征值是1231,2λλλ=-==;
当11λ=-时,解方程()0A E x +=求得对应的一个特征向量是 ()11,0,1p T
=;
当232λλ==时,解方程()20A E x -=,求得对应的一个特征向量是 ()()230,1,1,1,0,4p p T
T
=-=; 由定理9可知,矩阵A 可对角化,且
()
123101,,010114P p p p ??
?
== ? ?-??
(2) 由矩阵B 的特征方程0B E λ-=可得
即 ()()2
1104
301201
2B E λ
λλλλλ
---=--=--=-
可得矩阵B 的特征值是1232,1λλλ===;
当12λ=时,解方程()20B E x -=,求得对应的一个特征向量是 ()10,0,1p T
=;
当231λλ==时,解方程()0B E x -=,求得对应的一个特征向量是 ()21,2,1p T =--
矩阵B 对应于特征值231λλ==的特征向量只有一个,由判定条件可
知,矩阵B 不可对角化.
对于实对称矩阵,由前面的性质可知,实对称矩阵必可对角化. 4.1.3 化二次型为标准形问题
记 1112112122
2212
,n n n n nn n a a a x a a
a x
A x a a a x ???? ? ? ? ?== ? ?
? ?????
则二次型可记为
f x Ax T
= (2) 其中A 为实对称矩阵.
定义4 称只含有平方项的二次型 2221122n n f y y y λλλ=++
()1
12
212,,
,n n n y y y y y y y y λλλT ????
???
???=Λ ??? ????
???
为二次型的标准形,其中
1122
,n n y y y y λλλ????
? ? ?
?=Λ= ? ? ? ????
?
. 下面用正交变换化二次型为标准形.
定理10 任给实二次型11n
n
ij i j i j f a x x x Ax T
====∑∑,总有正交变换x P y =,使
f 化为标准形
22
21122n n f y y y λλλ=++
其中12,,,n λλλ是f 的矩阵()ij A a =的特征值.
例8 求一个正交变换x P y =,把二次型
121314232434222222f x x x x x x x x x x x x =+--++化为标准形. 解 二次型f 的矩阵为
0111101111011110A -?? ?-
?= ?- ?-??
由0A E λ-=,求出A 的全部特征值.
1111111111
1
1
A E λ
λλλ
λ
-----=
----()()3
13λλ=-+
于是A 的特征值为12343,1λλλλ=-===. 当13λ=-时,解齐次线性方程组()30A E x +=, 得基础解系兵将其单位化,有 ()()111
1,1,1,1,1,1,1,12
p ξT
T
=--=--;
当2341λλλ===时,解齐次线性方程组()0A E x -=, 可找出一组已正交的基础解系
()()()2341,1,0,0,0,0,1,1,1,1,1,1ξξξT
T
T
===--,
单位化,得
2341111,,,,,2222p p p T
T
T
????
===-- ?? ????
. 由1234,,,p p p p 作为列,构成正交矩阵
(
)
123411
02211022,,,1
1022110
22P p p p p ?? ? ?-- ? ?== ?- ? ?- ??
?
于是得 3111P AP T -??
?
?=Λ= ? ?
??
再作正交变换x P y =,便可将该二次型f 化为标准形 222212343f y y y y =-+++. 总结
综合上面的讨论,可以总结出用正交变换把二次型化成标准形的一般步骤:
(1)将二次型()11n
n
ij i j ij ji i j f a x x a a ====∑∑写成矩阵形式f x Ax T
=;
(2)由0A E λ-=,求出A 的特征值;
(3)对于A 不同的单特征值,由()0A E x λ-=求得的特征向量已经正交,只需把它们单位化;对于A 的k 重特征值k λ,由()0k A E x λ-=求得的k 个线性无关的特征向量,用施密特正交法将它们化成两两正交的单位特征向量;
(4)将上面求出的n 个两两正交的单位特征向量排成正交矩阵P ,再作正交变换x P y =;
(5)用此正交变换将f 化成标准形
()()f x Ax Py A Py y P APy y y T
T
T T T ====Λ
这里 ()12,,,n P AP diag λλλT Λ==. 4.1.4 在其他方面的应用
已知矩阵的特征值12,,,n λλλ(重根按重数计算)和对应的n 个线性无关的特征向量12,,,n p p p ,则构造可逆矩阵()12,,,n P p p p =,有
1P AP -=Λ,即有1A P P -=Λ,其中()12,,
,n diag λλλΛ=.
例 9 设3阶实对称矩阵A 的特征1231,2,λλλ===,()1,1,1αT
=-是A 的属于1λ的一个特征向量,求矩阵A .
解 设对应于矩阵A 的特征值232λλ==的特征向量分别为23,αα,
由对称矩阵的性质可得
()()
2
1310
0ααααT T
?=???=?
即可分别求出 ()()231,1,0,1,0,1ααT
T
T
T ==-
令 ()
123111,,110101P p p p -??
?
==- ? ???
, 则有1P AP -=Λ 可得1A PAP -=
即 51111513115A -?? ?=- ? ???
4.2 实际问题中的应用
随着科学的发展,数学理论在科技和实际经济生活中的应用越来越广泛,特别是矩阵理论应用,比如美国著名的经济学家瓦?列昂捷夫(W.Leontief )的投入产出分析方法.而本章主要介绍与矩阵特征值和特征向量的实际问题.
求矩阵特征值算法及程序
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 (1)输入矩阵A、初始向量( 0),误差eps; (2) k 1; (3)计算V(k)A(k 1); (4)m k max(V(k)) ,m k1max( V ( k 1)); (5) (k)V(k)/m k; (6)如果m k m k 1eps,则显示特征值1和对应的特征向量x(1) ),终止; (7)k k 1, 转(3) 注:如上算法中的符号max(V )表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input[" 系数矩阵A="]; u=Input[" 初始迭代向量u(0)="]; n=Length[u]; eps=Input[" 误差精度eps ="]; nmax=Input[" 迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k 第五章 矩阵的特征值与特征向量 5.1矩阵的特征值与特征向量 5.1.1矩阵的特征值与特征向量的概念 设A 是n 阶矩阵,若存在数λ及非零的n 维列向量α,使得:λαα=A (0≠α)成立,则称λ是矩阵A 的特征值,称非零向量α是矩阵A 属于特征值λ的特征向量. 5.1.2矩阵的特征值与特征向量的求法 把定义公式λαα=A 改写为()0=-αλA E ,即α是齐次方程组()0=-x A E λ的非零解.根据齐次方程组有非零解的充分条件可得:0=-A E λ. 所以可以通过0=-A E λ求出所有特征值,然后对每一个特征值i λ,分别求出齐 次方程组()0=-x A E i λ的一个基础解系,进而再求得通解. 【例5.1】求??? ? ? ?????------=324262423A 的特征值和特征向量. 解:根据()()0273 2 4 26 24 23 2 =+-=---= -λλλλλλA E ,可得71=λ,22-=λ. 当7=λ时,??? ? ? ?????? ??? ???????=-0000002124242124247A E , 所以()07=-x A E 的一个基础解系为:()T 0,2,11-=α,()T 1,0,12-=α,则相应的特征向量为2211ααk k +,其中21,k k 是任意常数且()()0,0,21≠k k . 当2-=λ时,???? ? ?????--? ??? ? ??????---=--00012014152428242 52A E ,所以()02=--x A E 的一个基础解系为()T 2,1,23=α,则相应的特征向量为33αk ,其中3k 是任意常数且 第五章矩阵的特征值和特征向量 来源:线性代数精品课程组作者:线性代数精品课程组 1.教学目的和要求: (1) 理解矩阵的特征值和特征向量的概念及性质,会求矩阵的特征值和特征向量. (2) 了解相似矩阵的概念、性质及矩阵可相似对角化的充分必要条件,会将矩阵化为相似对 角矩阵. (3) 了解实对称矩阵的特征值和特征向量的性质. 2.教学重点: (1) 会求矩阵的特征值与特征向量. (2) 会将矩阵化为相似对角矩阵. 3.教学难点:将矩阵化为相似对角矩阵. 4.教学内容: 本章将介绍矩阵的特征值、特征向量及相似矩阵等概念,在此基础上讨论矩阵的对角化问题. §1矩阵的特征值和特征向量 定义1设是一个阶方阵,是一个数,如果方程 (1) 存在非零解向量,则称为的一个特征值,相应的非零解向量称为属于特征值的特 征向量. (1)式也可写成, (2) 这是个未知数个方程的齐次线性方程组,它有非零解的充分必要条件是系数行列式 , (3) 即 上式是以为未知数的一元次方程,称为方阵的特征方程.其左端是的 次多项式,记作,称为方阵的特征多项式. == = 显然,的特征值就是特征方程的解.特征方程在复数范围内恒有解,其个数为方程的次数(重根按重数计算),因此,阶矩阵有个特征值. 设阶矩阵的特征值为由多项式的根与系数之间的关系,不难证明 (ⅰ) (ⅱ) 若为的一个特征值,则一定是方程的根, 因此又称特征根,若为 方程的重根,则称为的重特征根.方程的每一个非 零解向量都是相应于的特征向量,于是我们可以得到求矩阵的全部特征值和特征向量的方法如下: 第一步:计算的特征多项式; 第二步:求出特征方程的全部根,即为的全部特征值; 第三步:对于的每一个特征值,求出齐次线性方程组: 的一个基础解系,则的属于特征值的全部特征向量是 (其中是不全为零的任意实数). 例1 求的特征值和特征向量. 解的特征多项式为 = 第五章 矩阵的特征值与特征向量 习题 1 试用施密特法把下列向量组正交化 (1)?? ? ? ? ??=931421111) , ,(321a a a (2)???? ?? ? ??---=011101110111) , ,(321a a a 2 设x 为n 维列向量 x T x 1 令H E 2xx T 证明H 是对称的正交 阵 3 求下列矩阵的特征值和特征向量: (1)??? ?? ??----20133 521 2; (2)??? ? ? ??633312321. 4 设A 为n 阶矩阵 证明A T 与A 的特征值相同 5 设 0是m 阶矩阵A m n B n m 的特征值 证明 也是n 阶矩阵BA 的特 征值. 6 已知3阶矩阵A 的特征值为1 2 3 求|A 35A 2 7A | 7 已知3阶矩阵A 的特征值为1 2 3 求|A * 3A 2E | 8 设矩阵??? ? ? ??=50413102x A 可相似对角化 求x 9 已知p (1 1 1)T 是矩阵???? ? ??---=2135212b a A 的一个特征向量 (1)求参数a b 及特征向量p 所对应的特征值 (2)问A 能不能相似对角化?并说明理由 10 试求一个正交的相似变换矩阵, 将对称阵??? ? ? ??----020212022化为对角 阵. 11 设矩阵????? ??------=12422421x A 与??? ? ? ? ?-=Λy 45 相似 求x y 并 求一个正交阵P 使P 1AP 12 设3阶方阵A 的特征值为1 2 2 2 3 1 对应的特征 向量依次为p 1 (0 1 1)T p 2(1 1 1)T p 3(1 1 0)T 求A . 13 设3阶对称矩阵A 的特征值 1 6 2 3 3 3 与特征值 1 6对应的特征向量为p 1 (1 1 1)T 求A . 14 设?? ? ? ? ??-=340430241A 求A 100 9 矩阵特征值计算 在实际的工程计算中,经常会遇到求n 阶方阵 A 的特征值(Eigenvalue)与特征向量(Eigenvector)的问题。对于一个方阵A,如果数值λ使方程组 Ax=λx 即(A-λI n )x=0 有非零解向量(Solution Vector)x,则称λ为方阵A的特征值,而非零向量x为特征值λ所对应的特征向量,其中I n 为n阶单位矩阵。 由于根据定义直接求矩阵特征值的过程比较复杂,因此在实际计算中,往往采取一些数值方法。本章主要介绍求一般方阵绝对值最大的特征值的乘幂(Power)法、求对称方阵特征值的雅可比法和单侧旋转(One-side Rotation)法以及求一般矩阵全部特征值的QR 方法及一些相关的并行算法。 1.1 求解矩阵最大特征值的乘幂法 1.1.1 乘幂法及其串行算法 在许多实际问题中,只需要计算绝对值最大的特征值,而并不需要求矩阵的全部特征值。乘幂法是一种求矩阵绝对值最大的特征值的方法。记实方阵A的n个特征值为λi i=(1,2, …,n),且满足: │λ1 │≥│λ2 │≥│λ3 │≥…≥│λn │ 特征值λi 对应的特征向量为x i 。乘幂法的做法是:①取n维非零向量v0 作为初始向量;②对于 k=1,2, …,做如下迭代: 直至u k+1 ∞ - u k u k =Av k-1 v k = u k /║u k ║∞ <ε为止,这时v k+1 就是A的绝对值最大的特征值λ1 所对应的特征向∞ 量x1 。若v k-1 与v k 的各个分量同号且成比例,则λ1 =║u k ║∞;若v k-1 与v k 的各个分量异号且成比例,则λ1 = -║u k ║∞。若各取一次乘法和加法运算时间、一次除法运算时间、一次比较运算时间为一个单位时间,则因为一轮计算要做一次矩阵向量相乘、一次求最大元操作和一次规格化操作,所以下述乘幂法串行算法21.1 的一轮计算时间为n2+2n=O(n2 )。 算法21.1 单处理器上乘幂法求解矩阵最大特征值的算法 输入:系数矩阵A n×n ,初始向量v n×1 ,ε 输出:最大的特征值m ax Begin while (│diff│>ε) do (1)for i=1 to n do (1.1)sum=0 (1.2)for j= 1 to n do sum=sum+a[i,j]*x[j] end for 摘要:首先给出了求解矩阵特征值和特征向量的另外两种求法,然后运用特征值的性质讨论了矩阵合同、相似的充要条件,以及逆矩阵的求解等相关问题. 关键词:矩阵的特征多项式,特征值,特征向量,对角矩阵,逆矩阵 Abstract:Firstly,it is given matrix eigenvalues and eigenvectors of two other methods, then with the properties of eigenvalue the contract of matrix discussed,we deeply discuss the sufficient and necessary conditions for the similar matrix contract, and the inverse matrix of the related problem solving. Keywords:matrix characteristic polynomial, eigenvalue, eigenvector, diagonal matrices, inverse matrix 目录 1 前言 (4) 2 矩阵的特征值和特征向量的求法 (4) 2.1 矩阵的初等变换法 (4) 2.2 矩阵的行列互逆变换法 (6) 3 矩阵特征值的一些性质及应用 (7) 3.1 矩阵之间的关系 (7) 3.1.1 矩阵的相似 (7) 3.1.2 矩阵的合同 (7) 3.2 逆矩阵的求解 (8) 3.3 矩阵相似于对角矩阵的充要条件 (8) 3.4 矩阵的求解 (9) 3.5 矩阵特征值的简单应用 (10) 结论 (11) 参考文献 (12) 致谢 (13) 矩阵特征值和特征向量解法的研究 周雪娇 (德州学院数学系,山东德州 253023) 摘 要:对矩阵特征值和特征向量的一些方法进行了系统的归纳和总结.在比较中能够 更容易发现最好的方法,并提高问题的解题效率. 关键词: 矩阵; 特征值; 特征向量; 解法 引言 矩阵是数学中的一个重要的基本概念,是代数学的一个主要研究对象,也是数学研究和应用的一个重要工具.矩阵计算问题是很多科学问题的核心.在很多工程计算中,常常会遇到特征值和特征向量的计算问题,如:机械、结构或电磁振动中的固有值问题;物理学中的各种临界值等,这些特征值的计算往往意义重大.很多科学问题都要归结为矩阵计算的问题,在这里主要研究矩阵计算中三大问题之——特征值问题. 1 矩阵特征值与特征向量的概念及性质 1.1 矩阵特征值与特征向量的定义 设A 是n 阶方阵,如果存在数λ和n 维非零向量x ,使得x Ax λ=成立,则称 λ为A 的特征值,x 为A 的对应于特征值λ的特征向量. 1.2 矩阵特征值与特征向量的性质 矩阵特征值与特征向量的性质包括: (1)若i i r A 的是λ重特征值,则i i s A 有对应特征值λ个线性无关的特征向量,其中i i r s ≤. (2)若线性无关的向量21,x x 都是矩阵A 的对应于特征值0λ的特征向量,则当21,k k 不全为零时,2211x k x k +仍是A 的对应于特征值0λ的特征向量. (3)若A n 是矩阵λλλ,,,21 的互不相同的特征值,其对应的特征向量分别是 n x x x ,,,21 ,则这组特征向量线性无关. (4)若矩阵()n n ij a A ?=的特征值分别为n λλλ,,,21 ,则 nn n a a a +++=+++ 221121λλλ,A n =λλλ 21. (5)实对称矩阵A 的特征值都是实数,且对应不同特征值的特征向量正交. (6)若i λ是实对称矩阵A 的i r 重特征值,则对应特征值i λ恰有i r 个线性无关的特征向量. (7)设λ为矩阵A 的特征值,()x P 为多项式函数,则()λP 为矩阵多项式()A P 的特征值.[]1 2 普通矩阵特征值与特征向量的求法 2.1 传统方法 确定矩阵A 的特征值和特征向量的传统方法可以分为以下几步: (1)求出矩阵A 特征多项式()A E f -=λλ的全部特征根; (2)把所求得的特征根()n i i ,,2,1 =λ逐个代入线性方程组()0=-X A E i λ, 对于每一个特征值,解方程组()0=-X A E i λ,求出一组基础解系,这样,我们也就求出了对应于每个特征值的全部线性无关的特征向量.[]2 例1 已知矩阵 ???? ? ?????-=11 111 110 A 求矩阵A 的特征值和特征向量. 解 A E -λ = 1 1 1 1 1 11 ------λλλ = ()21-λλ 所以,由()012=-λλ知A 的特征根1,0321===λλλ. 习题 1. (1) 若A 2 = E ,证明A 的特征值为1或-1; (2) 若A 2 = A ,证明A 的特征值为0或1. 证明(1)2 2A E A =±所以的特征值为1,故A 的特征值为1 (2) 2222 2 ,,()0,001 A A A X A X AX X X X λλλλλλλ===-=-==所以两边同乘的特征向量得即由于特征向量非零,故即或 2. 若正交矩阵有实特征值,证明它的实特征值为1或 -1. 证明 1,1 T T T A A A E A A A A A λλλλ -=∴==±设是正交阵,故有与有相同的特征值, 1 故设的特征值是,有=,即 3.求数量矩阵A=aE 的特征值与特征向量. 解 A 设是数量阵,则 000000000000a a A aE a a a E A a λλλλ?? ? ?== ? ??? ---= -L L L L L L L L L L L L 所以:特征值为a (n 重), A 属于a 的特征向量为 k 1(1,0,…,0)T + k 2(0,1,…,0)T + k n (0,0,…,1)T ,(k 1, k 2, …, k n 不全为0) 4.求下列矩阵的特征值与特征向量. (1)113012002-?? ? ? ??? (2)324202423?? ? ? ??? (3)??? ?? ??---122212 221 (4)212533102-?? ?- ? ?--?? ()1112221211(5) , , (0,0)0.T T n n n n a a b a a b A b b b a b a a b αβαβαβ?? ???? ? ? ? ? ? ?====≠≠= ? ? ? ? ? ? ? ? ??? ???? L M M M 其中,且 解(1) 11 3 0120,1,2,00 2A E AX λλλ λλλλ ---=-====-0,123求得特征值为:分别代入=求得 A 属于特征值1的全部特征向量为k(1,0,0)T ,(k ≠0) A 属于特征值2的全部特征向量为k(1,2,1)T ,(k ≠0) 解(2) 第3章 矩阵特征值与特征向量的计算 一些工程技术问题需要用数值方法求得矩阵的全部或部分特征值及相关的特征向量。 3.1 特征值的估计 较粗估计ρ(A )≤ ||A || 欲将复平面上的特征值一个个用圆盘围起来。 3.1.1盖氏图 定义3.1-1 设A = [a ij ]n ?n ,称由不等式∑≠=≤-n i j j ij ii a a z 1 所确定的复区域为A 的第i 个盖氏图, 记为G i ,i = 1,2,…,n 。 >≤-=<∑≠=}:{1n i j j ij ii i a a z z G 定理3.1-1 若λ为A 的特征值,则 n i i G 1 =∈ λ 证明:设Ax = λx (x ≠ 0),若k 使得∞ ≤≤==x x x i n i k 1max 因为 k n j j kj x x a λ=∑=1 ?∑≠= -n k j j kj k kk x a x a )(λ ?∑∑∑ ≠=≠=≠≤≤= -n k j j kj n k j j k j kj n k j k j kj kk a x x a x x a a 11λ ? n i i k G G 1 =? ∈λ 例1 估计方阵????? ?? ?????----=41.03.02.05.013.012.01.035.03.02.01.01A 特征值的X 围 解: G 1 = {z :|z – 1|≤ 0.6};G 2 = {z :|z – 3|≤ 0.8}; G 3 = {z :|z + 1|≤ 1.8};G 4 = {z :|z + 4|≤ 0.6}。 注:定理称A 的n 个特征值全落在n 个盖氏圆上,但未说明每个圆盘内都有一个特征值。 3.1.2盖氏圆的连通部分 称相交盖氏圆之并构成的连通部分为连通部分。 孤立的盖氏圆本身也为一个连通部分。 定理3.1-2若由A 的k 个盖氏圆组成的连通部分,含且仅含A 的k 个特征值。 证明: 令D = diag(a 11,a 12,…,a nn ),M = A –D ,记 )10(00 0)(212211122211≤≤?? ?? ? ? ? ??+??????? ??=+=εεεε n n n n nn a a a a a a a a a M D A 则显然有A (1) = A ,A (0) = D ,易知A (ε)的特征多项式的系数是ε的多项式,从而A (ε)的特征 值λ1(ε),λ2(ε),…,λn (ε)为ε的连续函数。 A (ε)的盖氏圆为:)10(,}||||:{)(11≤≤?=≤ -=∑∑≠=≠=εεεεi n i j j ij n i j j ij ii i G a a a z z G 因为A (0) = D 的n 个特征值a 11,a 12,…,a nn ,恰为A 的盖氏圆圆心,当ε由0增大到1时,λi (ε)画出一条以λi (0) = a ii 为始点,λi (1) = λi 为终点的连续曲线,且始终不会越过G i ; 不失一般性,设A 开头的k 个圆盘是连通的,其并集为S ,它与后n –k 个圆盘严格分离,显然,A (ε)的前k 个盖氏圆盘与后n –k 个圆盘严格分离。 当ε = 0时,A (0) = D 的前k 个特征值刚好落在前k 个圆盘G 1,…,G k 中,而另n –k 个特征值则在区域S 之外,ε从0变到1时, k i i G 1 )(=ε与 n k i i G 1 )(+=ε始终分离(严格) 。连续曲线始终在S 中,所以S 中有且仅有A 的k 个特征值。 注:1) 每个孤立圆中恰有一个特征值。 2) 例1中G 2,G 4为仅由一个盖氏圆构成的连通部分,故它们各有一个特征值,而G 1,G 3构 矩阵的特征值与特征向量专题讲解 一、内容提要 一、矩阵的特征值和特征向量 1、基本概念 设A 为n 阶方阵,若存在数λ和n 为非零向量0,a ≠使Aa a λ=,则称λ是A 的特征值,a 是属于λ的特征向量;矩阵E A λ-称为A 的特征矩阵;E A λ-是 λ的n 次多项式,称为A 的特征多项式;E A λ-=0称为A 的特征方程; 2、特征值、特征向量的求法 (1)计算A 的特征值,即解特征方程E A λ-=0; (2)对每一个特征值0λ,求出相应的齐次线性方程组()00E A X λ-= 一个基础解系123,ξξξ,,...,则属于0λ的全部特征向量为11...s s k k ξξ++,其中1,...,s k k 为不全为零的任意常数; 3、特征值、特征向量的性质 (1)A 与T A 的特征值相同(但特征向量一般不同); (2)属于同一特征值的特征向量的线性组合仍是属于该特征值的特征向量; (3)属于不同特征值的特征向量线性无关; (4)设()0A a a a λ=≠,则(),,m kA A P A 的特征值分别为(),,m k P λλλ,其中 ()P x 为任一多项式,而a 仍为相应的特征向量; (5)若A 可逆,()0Aa a a λ=≠,则 1 λ 是1 A -的特征值; A λ 是*A 的特征值, a 仍为相应的特征向量; (6)设12n λλλ,,...是n 阶方阵的特征值,则有()1 1 n n i ii i i a tr A λ====∑∑(迹); 1 n i i A λ ==∏;推论:A 可逆当且仅当A 的特征值全不为零; (7)若A 为实对称阵,则A 的所有特征值均为实数,且属于不同特征值的特征向量彼此正交。 二、相似矩阵 1、定义 设,A B 为n 阶方阵,若存在n 阶可逆阵P ,使1P AP B -=,称A 与B 相似,记为A ~B ; 2、A ~B 的性质 T T A B ,,,M M kA kB A B ~~~ ()(),P A P B ~其中P 为任一多项式;()(),,,r A r B A B E A E B λλ==-=- ?特征值相同,()()tr A tr B =;若A 可逆,则B 也可逆,且11A B --~。 三、矩阵对角化的条件及方法 1、若矩阵A 与对角阵相似,则称A 可对角化, (1)n 阶方阵A 可对角化的充分必要条件是A 有n 个线性无关的特征向量; (2)若A 的特征值两两不同,则必可对角化。 2、实对称阵A 必可对角化,且存在正交阵P ,使1P AP -=Λ 实对称矩阵正交对角化具体计算步骤如下: (1)求出实对称矩阵A 的全部特征值; (2)若特征值是单根,则求出一个线性无关的特征向量,并加以单位化; 若特征值是重根,则求出重数个线性无关的特征向量,然后用施密特正交化方法化为正交组,再单位化; 矩阵特征值和特征向量的几何意义(---by 小马哥整理) 从定义来理解特征向量的话,就是经过一个矩阵变换后,空间沿着特征向量的方向上相当于只发生了缩放,比如我们考虑下面的矩阵: A=1.50.50.5 1.0?????? 求这个变换的特征向量和特征值,分别是:0.850.530.530.85U -??=???? (列向量) 特征值为:1λ=1.81,2λ=0.69 注意,这里U 是正交矩阵,根据正交矩阵的性质,我们有1T U U -=。 用一个形象的例子来说明一下几何意义,我们考虑下面笑脸图案: 图1.1 为方便演示笑脸图案在[0,0]和[1,1]围起来的单位正方形里,同时也用两个箭头标出来了特征向量的方向。经过矩阵A=1.50.50.5 1.0?????? 的变换,也就是用这个图案中的每个点的坐标和这个矩阵做乘法,得到下面图案: 图1.1 可以看到就是沿着两个正交的,特征向量的方向进行了缩放。 根据特征向量的定义,我们知道1U AU -=Λ,也即,T U AU =Λ,那么:T A U U =Λ 假设我们把笑脸图案也看作某一个矩阵C ,那么,矩阵A*C ,即把矩阵A 作用于C ,可以理解为:T U U C Λ我们从这个式子就可以看出来,A 矩阵是从旋转和沿轴缩放的角度来作用于C ,分成三步: 第一步,把特征向量所指的方向分别转到横轴和纵轴,这一步相当于用U 的转置,也就是T U 进行了变换 图1.2 第二步,然后把特征值作为缩放倍数,构造一个缩放矩阵1.81 0.69?????? ,矩阵分别沿着横轴和纵轴进行缩放: 图1.3 第三步,很自然地,接下来只要把这个图案转回去,也就是直接乘U 就可以了 图1.4 第五章 矩阵的特征值 §1.矩阵的特征值和特征向量 一、矩阵的特征值的定义 定义1:设A 为n 阶矩阵,λ是一个数,如果存在非零n 维向量α,使得: λα α=A ,则称λ是矩阵A 的一个特征值,非零向量α为矩阵A 的属于(或对应 于)特征值λ的特征向量。 下面讨论一般方阵特征值和它所对应特征向量的计算方法。 设A 是n 阶矩阵,如果0λ是A 的特征值,α是A 的属于0λ的特征向量, 则0000()0 (0) A A E A αλαλααλαα=?-=?-=≠ 因为α是非零向量,这说明α是齐次线性方程组 0)(0=-X A I λ 的非零解,而齐次线性方程组有非零解的充分必要条件是其系数矩阵0E A λ-的行列式等于零,即 0E A λ-=0 而属于0λ的特征向量就是齐次线性方程组0()0E A x λ-=的非零解。 定理1:设A 是n 阶矩阵,则0λ是A 的特征值,α是A 的属于0λ的特征向量的充分必要条件是0λ是 0E A λ-=0的根,α是齐次线性方程组 0()0E A X λ-=的非零解。 定义2:称矩阵E A λ-称为A 的特征矩阵,它的行列式E A λ-称为A 的特征多项式,E A λ-=0称为A 的特征方程,其根为矩阵A 的特征值。 由定理1可归纳出求矩阵A 的特征值及特征向量的步骤: (1)计算E A λ-; (2)求E A λ-=0的全部根,它们就是A 的全部特征值; (3)对于矩阵A 的每一个特征值0λ,求出齐次线性方程组0()0E A X λ-=的一个 基础解系:r n -ηηη,,,21 ,其中r 为矩阵0E A λ-的秩;则矩阵A 的属于0λ的全部特征向量为: r n r n K K K --+++ηηη 2211 其中r n K K K -,,,21 为不全为零的常数。 例1 求??? ?? ? ?------=01 1101 110A 的特征值及对应的特征向量。 解:E A λ-=λ λλλλλλλλλλ1 111111)2(1 2 121121 111 1 1 +=+++= =2 )1)(2(1 10 11 1 )2(-+=--+λλλλλ 令E A λ-=0得:2,1321-===λλλ 当121==λλ时,解齐次线性方程组()0E A X -= 即:1111 111110 0011100 0E A ???? ? ?-=→ ? ? ? ???? ? 可知()1r E A -=,取32,x x 为自由未知量,对应的方程为0321=++x x x 求得一个基础解系为()T 0,1,11-=α,()T 1,0,12-=α,所以A 的属于特征值1的全 部特征向量为2211ααK K +,其中21,K K 为不全为零的常数。 当23-=λ时,解齐次线性方程组(2)0E A X --= 2 111121 121 1221 2112103301111 221 103 300 0E A ----???????? ? ? ? ?--=-→-→-→- ? ? ? ? ? ? ? ?---? ?? ?? ?? ? (2)2r E A --=,取3x 为自由未知量,对应的方程组为? ? ?=+-=-+00232321x x x x x第五章 矩阵的特征值与特征向量
矩阵的特征值和特征向量
矩阵的特征值与特征向量习题
并行计算-矩阵特征值计算--
矩阵的特征值与特征向量的求法
矩阵特征值和特征向量解法的研究
第五章 习题与复习题详解(矩阵特征值和特征向量)----高等代数
3矩阵特征值及特征向量的计算
矩阵的特征值与特征向量专题讲解
矩阵特征值和特征向量的几何意义
特征值和特征向量