矩阵n次方的几种求法的归纳
矩阵n次方的几种求法的归纳
矩阵n 次方的几种求法1.利用定义法()(),,ij kj s nn mA aB b ⨯⨯==则(),ij s mC c ⨯=其1122...ij i j i j in nj c a b a b a b =+++1nik kj k a b ==∑称为A 与B 的乘积，记为C=AB ，则由定义可以看出矩阵A与B 的乘积C 的第i 行第j 列的元素等于第一个矩阵A 的第i 行与第二个矩阵B 的第j 列的对应元素乘积之和，且由定义知：第一个矩阵的列数与第二个矩阵的行数要相[]1同。
例1:已知矩阵34125310210134A ⨯⎛⎫ ⎪=- ⎪ ⎪⎝⎭，445130621034510200B ⨯⎛⎫⎪⎪= ⎪⎪⎝⎭，求AB解：设C AB ==()34ij c ⨯，其中1,2,3i =；1,2,3,4j =由矩阵乘积的定义知：111526533032c =⨯+⨯+⨯+⨯=121122543231c =⨯+⨯+⨯+⨯= 131321553030c =⨯+⨯+⨯+⨯=14102051305c =⨯+⨯+⨯+⨯=21150623101c =-⨯+⨯+⨯+⨯= 22110224129c =-⨯+⨯+⨯+⨯= 23130125107c =-⨯+⨯+⨯+⨯= 24100021102c =-⨯+⨯+⨯+⨯= 310516334015c =⨯+⨯+⨯+⨯= 320112344222c =⨯+⨯+⨯+⨯= 330311354016c =⨯+⨯+⨯+⨯= 34001031403c =⨯+⨯+⨯+⨯=将这些值代入矩阵C 中得：C AB ==34323130519721522163⨯⎛⎫ ⎪⎪ ⎪⎝⎭则矩阵A 的n 次方也可利用定义的方法来求解。
2.利用矩阵的分块来求解这类方法主要是把一个大矩阵看成是由一些小矩阵组成，就如矩阵由数组成的一样在运算中将这些小矩阵当做数一样来处理，再由矩阵乘法的定义来求解这些小矩阵的乘积所构成的矩阵。
矩阵n次方拆分法
矩阵n次方拆分法1. 引言矩阵是数学中的重要概念，广泛应用于各个领域，如线性代数、图论、网络分析等。
矩阵的乘法是矩阵运算中的基本操作之一，而矩阵的n次方则是在乘法的基础上进行多次相乘得到的结果。
在实际问题中，我们常常需要计算矩阵的n次方，这就需要运用到矩阵n次方拆分法。
2. 算法原理2.1 简单幂方法简单幂方法是最直接和简单的计算矩阵n次方的方法。
其基本思想是将矩阵连续相乘n-1次，得到最终结果。
具体步骤如下：1.将原始矩阵记为A；2.初始化结果矩阵B为单位矩阵；3.依次将A与B相乘n-1次，每一步都更新B为新的结果；4.最终得到B即为A的n次方。
该方法简单易懂，但当n较大时，计算量会成倍增加，并且存在浪费计算资源和时间的问题。
2.2 拆分法拆分法是一种优化的计算矩阵n次方的方法，通过将矩阵拆分成更小的子矩阵，从而减少计算量。
具体步骤如下：1.将原始矩阵A进行拆分，得到子矩阵A1、A2、…、An；2.根据矩阵乘法的性质，可以得到A的n次方等于(A1 * A2 * … * An)；3.利用递归思想，对每个子矩阵进行相同的操作，直到最小单位（如2x2矩阵）；4.最后将所有结果进行合并得到最终结果。
通过拆分法，可以大大减少计算量和时间复杂度。
但需要注意选择合适的拆分方式和最小单位大小，以及处理边界情况等问题。
3. 实例演示为了更好地理解和应用矩阵n次方拆分法，下面给出一个具体的实例演示。
假设有一个3x3的矩阵A：A = [[1, 2, 3],[4, 5, 6],[7, 8, 9]]我们要计算A的5次方。
首先使用简单幂方法进行计算：B = Afor i in range(4):B = B * A计算结果为：B = [[1069, 1312, 1555],[2444, 3028, 3612],[3819, 4744, 5669]]然后使用拆分法进行计算：首先将A拆分成两个子矩阵：A1 = [[1, 2],[4, 5]]A2 = [[5, 6],[8, 9]]然后计算A1的2次方和A2的3次方：B1 = A1 * A1B2 = A2 * (A2 * A2)最后将结果合并得到最终结果：B = [[B1[0][0], B1[0][1], B2[0][0]],[B1[1][0], B1[1][1], B2[0][1]],[B2[1][0], B2[1][1], B2[1][2]]]计算结果与简单幂方法相同。
矩阵n次方通用解法
矩阵n次方通用解法矩阵n次方通用解法矩阵是线性代数中的重要概念，它在数学、物理、计算机科学等领域都有广泛的应用。
矩阵的n次方也是一个重要的问题，因为它涉及到很多实际问题中的计算。
本文将介绍矩阵n次方通用解法。
一、矩阵乘法在介绍矩阵n次方通用解法之前，我们需要先了解矩阵乘法。
对于两个矩阵A和B，它们的乘积C为：C(i,j) = ∑(k=1 -> n)A(i,k)*B(k,j)其中C(i,j)表示C矩阵第i行第j列元素，n表示A和B的列数相同。
二、暴力求解最简单的方法是通过暴力求解来计算矩阵n次方。
例如，对于一个2x2的矩阵A和一个正整数n，我们可以通过以下方式计算A^n：result = Afor i in range(n-1):result = result * A这种方法可以得到正确的结果，但是时间复杂度为O(n^3)，当n较大时会非常耗时。
三、分治法分治法是一种常见的优化算法，在计算矩阵n次方时也可以使用。
假设我们要计算A^n，我们可以将其分解为两个子问题：计算A^(n/2)和(A^(n/2))^2。
然后再通过矩阵乘法将两个子问题的结果合并起来即可得到A^n。
该算法的时间复杂度为O(n^3logn)，比暴力求解要快很多。
四、矩阵快速幂矩阵快速幂是一种更加高效的算法，它可以将时间复杂度降低到O(n^3logn)。
具体来说，我们可以先将指数n转换为二进制形式，例如：n = 13 -> 1101然后根据二进制形式中1的位置来计算矩阵的乘积。
以计算A^13为例，我们可以这样做：result = Ibase = Afor i in range(k):if n & (1 << i):result = result * basebase = base * base其中I表示单位矩阵，k表示二进制位数。
该算法的时间复杂度为O(n^3logn)，比分治法还要快一些。
五、应用举例矩阵n次方通用解法在实际问题中有广泛应用。
求矩阵的n次幂有如下几个常用方法
求矩阵的n次幂有如下几个常用方法1、求矩阵的n次幂的矩阵乘法法：求矩阵的n次幂的矩阵乘法法是用矩阵的乘法来求n次幂的一种方法，假设n>1。
令A为一个n阶矩阵，将A^n表示为A•A•…•A(n个A表示n次乘积)，这样就可以用矩阵的乘法运算，把矩阵的n次幂表示出来。
这种方法适合任意阶数的矩阵，但是运算量大，一般在n大于4时会给计算机造成较大压力。
快速乘法法是将连乘拆成若干小段，用平方法计算这些小段，最后把平方结果合成出原来的积，这样就可以利用矩阵的平方法降低运算的复杂度，近似时间复杂度仅为O(logn)。
遗传算法(GA)是一种模拟自然辅助搜索算法，其可利用遗传运算(Genetic Operation)求解难以用传统算法求解的复杂问题，也可用来求矩阵的n次幂。
此方法通过使用遗传运算对n次幂矩阵A求解，其中有“选择(selection)”、“交叉(crossover)”、“变异(mutation)”等随机算法组成，在一定时间内，做出一定代数运算就能求出矩阵的n次幂，这种方法的效率取决于遗传算子的设计，但是因为这种方法涉及较少的运算，所以可能运算效率会很高。
线性矩阵分解法是把矩阵A事先分解成正交矩阵和对角矩阵的向量形式，将n次幂矩阵A^n分解成m分，从而减少计算量，缩短计算时间。
这种方法可以有效减少计算过程的数量，但对于大矩阵来说，可能由于分解矩阵的复杂度过高而无法令效率上升。
树结构法是一种求解n次方矩阵A的技术，它是建立树，由树的叶节点求出矩阵A的n次方。
由于每一层都有一个乘积，树结构法可以有效减少计算次数，较为高效。
通常来说，这种方法的复杂度降低到O(logn)。
总之，上面提到的几种方法都可以用来求矩阵的n次幂，根据矩阵的阶数和n的大小，可以合理选择合适的算法，从而提高求解效率。
矩阵n次方的几种求法的归纳
矩阵n 次方的几种求法1.利用定义法()(),,ij kj s nn mA aB b ⨯⨯==则(),ij s mC c ⨯=其1122...ij i j i j in nj c a b a b a b =+++1nik kj k a b ==∑称为A 与B 的乘积，记为C=AB ，则由定义可以看出矩阵A 与B 的乘积C 的第i 行第j 列的元素等于第一个矩阵A 的第i 行与第二个矩阵B 的第j 列的对应元素乘积之和，且由定义知：第一个矩阵的列数与第二个矩阵的行数要相[]1同。
例1:已知矩阵34125310210134A ⨯⎛⎫ ⎪=- ⎪ ⎪⎝⎭，445130621034510200B ⨯⎛⎫⎪⎪= ⎪⎪⎝⎭，求AB解：设C AB ==()34ij c ⨯，其中1,2,3i =；1,2,3,4j =由矩阵乘积的定义知：111526533032c =⨯+⨯+⨯+⨯=121122543231c =⨯+⨯+⨯+⨯= 131321553030c =⨯+⨯+⨯+⨯=14102051305c =⨯+⨯+⨯+⨯=21150623101c =-⨯+⨯+⨯+⨯= 22110224129c =-⨯+⨯+⨯+⨯= 23130125107c =-⨯+⨯+⨯+⨯= 24100021102c =-⨯+⨯+⨯+⨯= 310516334015c =⨯+⨯+⨯+⨯= 320112344222c =⨯+⨯+⨯+⨯= 330311354016c =⨯+⨯+⨯+⨯= 34001031403c =⨯+⨯+⨯+⨯=将这些值代入矩阵C 中得：C AB ==34323130519721522163⨯⎛⎫ ⎪⎪ ⎪⎝⎭则矩阵A 的n 次方也可利用定义的方法来求解。
2.利用矩阵的分块来求解这类方法主要是把一个大矩阵看成是由一些小矩阵组成，就如矩阵由数组成的一样在运算中将这些小矩阵当做数一样来处理，再由矩阵乘法的定义来求解这些小矩阵的乘积所构成的矩阵。
求矩阵的n次方的方法
求矩阵的n次方的方法简介矩阵的n次方是指将一个矩阵连乘n次的结果。
求矩阵的n次方是在很多数学和工程问题中都会遇到的核心计算任务之一。
本文将介绍几种常见的求矩阵的n次方的方法，包括矩阵乘法运算的定义、直接求解法、分治法以及特征分解法等。
不同的方法有不同的适用场景和时间复杂度，我们将对每种方法进行详细的探讨。
1. 矩阵乘法运算的定义在开始讨论求矩阵的n次方之前，我们首先需要了解矩阵乘法运算的定义。
给定两个矩阵A和B，它们的乘积AB定义为：这里的AB是一个n行p列的矩阵，其中第i行第j列的元素可以通过矩阵A的第i行和矩阵B的第j列的对应元素相乘并求和得到。
2. 直接求解法直接求解法是最直观也最容易理解的一种方法。
我们可以通过连乘n次矩阵A自身来求得矩阵的n次方，即。
具体的求解步骤如下： 1. 初始化一个单位矩阵I，它的大小与矩阵A相同。
2. 循环进行n次矩阵乘法运算，每次将结果保存在I中。
3. 当循环结束后，I即为矩阵A的n次方。
以下是使用直接求解法求解矩阵的n次方的示例代码：def matrix_power(A, n):I = [[1 if i == j else 0 for j in range(len(A))] for i in range(len(A))]for _ in range(n):I = matrix_multiply(I, A)return Idef matrix_multiply(A, B):n, m, p = len(A), len(A[0]), len(B[0])result = [[0 for _ in range(p)] for _ in range(n)]for i in range(n):for j in range(p):for k in range(m):result[i][j] += A[i][k] * B[k][j]return result直接求解法的时间复杂度为O(n^3)。
矩阵n次幂的计算方法
矩阵n次幂的计算方法
矩阵是一个广泛应用于数学、物理、工程和计算机科学等领域的重要数学工具。
在矩阵理论中，矩阵的n次幂是指将一个矩阵连乘n 次所得到的结果。
矩阵的n次幂计算方法可以通过递推的方式来实现。
具体操作是，首先定义矩阵的1次幂为原矩阵本身，即$A^1=A$；随后，设定一个
递推式：$A^n=A^{n-1} times A$，则可以通过不断地将矩阵的(n-1)次幂与原矩阵相乘，来求得矩阵的n次幂。
例如，若要计算$A^3$，
则有$A^3=A^2 times A=(A times A) times A$。
在实际应用中，矩阵的n次幂计算方法可以通过矩阵乘法算法来简化运算。
具体来说，可以使用Strassen算法、Winograd算法等高效的矩阵乘法算法来加速矩阵的乘法操作，从而大幅提高矩阵n次幂的计算速度。
总之，矩阵的n次幂计算方法是矩阵理论中的一个重要内容，对于提高矩阵计算的效率和准确性具有重要意义。
- 1 -。
初等矩阵n次方的公式归纳
初等矩阵n次方的公式归纳 初等矩阵是线性代数中的重要概念，它在矩阵运算和矩阵变换中起着关键作用。
在矩阵的幂运算中，初等矩阵的n次方公式是一个有用的归纳公式，可以简化计算过程并提高效率。
首先了解什么是初等矩阵。
初等矩阵是指由单位矩阵进行一次初等行变换或初等列变换得到的矩阵。
初等行变换包括交换两行、某一行乘以非零常数、某一行乘以非零常数加到另外一行上；初等列变换也类似。
初等矩阵的作用是用来进行矩阵的行变换或列变换。
通过左乘初等矩阵，可以实现对矩阵进行某种特定的行变换；通过右乘初等矩阵，可以实现对矩阵进行某种特定的列变换。
在矩阵的幂运算中，初等矩阵的n次方公式是一个重要的归纳公式。
该公式可以简化计算，特别是对于高次幂的矩阵。
根据该公式，可以通过连续乘以初等矩阵来得到矩阵的n次幂。
下面以一个3阶矩阵为例来说明初等矩阵的n次方公式。
设A为一个3阶矩阵，其初等矩阵分别为E1、E2、E3，它们的乘积形成一个新的矩阵B。
即 B = E3 * E2 * E1 * A。
进一步推导，可以得到 B = E * A，其中E为求解得到的初等矩阵。
对于一般情况，设A为n阶矩阵，E为其初等矩阵的乘积，那么A的n次方可以表示为 B = E * A。
通过归纳分析，可以得出初等矩阵n次方的公式： - 若n为正整数，那么 B = E * A * E^-1。
- 若n为负整数，那么 B = E * A^-1 * E^-1。
使用初等矩阵n次方的公式，我们可以简化矩阵的幂运算。
通过求解初等矩阵的乘积，可以将矩阵的n次方转化为简单的矩阵乘法运算。
这种方式可以提高计算的效率，尤其是在处理大规模矩阵时。
总之，初等矩阵在线性代数中具有重要的地位，并且在矩阵的幂运算中初等矩阵的n次方公式为我们提供了一个有用的归纳公式。
通过使用该公式，可以简化计算过程并提高效率。
了解初等矩阵的概念和应用，并掌握初等矩阵n次方的公式，有助于我们更好地理解和应用线性代数的知识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
矩阵n 次方的几种求法1.利用定义法()(),,ij kj s nn mA aB b ⨯⨯==则(),ij s mC c ⨯=其1122...ij i j i j in nj c a b a b a b =+++1nik kj k a b ==∑称为A 与B 的乘积，记为，则由定义可以看出矩阵A 与B 的乘积C 的第i 行第j 列的元素等于第一个矩阵A 的第i 行与第二个矩阵B 的第j 列的对应元素乘积之和，且由定义知：第一个矩阵的列数与第二个矩阵的行数要相[]1同。
例1:已知矩阵34125310210134A ⨯⎛⎫ ⎪=- ⎪ ⎪⎝⎭，445130621034510200B ⨯⎛⎫⎪⎪= ⎪⎪⎝⎭，求解：设C AB ==()34ij c ⨯，其中1,2,3i =；1,2,3,4j = 由矩阵乘积的定义知：111526533032c =⨯+⨯+⨯+⨯=121122543231c =⨯+⨯+⨯+⨯= 131321553030c =⨯+⨯+⨯+⨯=14102051305c =⨯+⨯+⨯+⨯= 21150623101c =-⨯+⨯+⨯+⨯= 22110224129c =-⨯+⨯+⨯+⨯=23130125107c =-⨯+⨯+⨯+⨯= 24100021102c =-⨯+⨯+⨯+⨯= 310516334015c =⨯+⨯+⨯+⨯= 320112344222c =⨯+⨯+⨯+⨯= 330311354016c =⨯+⨯+⨯+⨯=34001031403c =⨯+⨯+⨯+⨯=将这些值代入矩阵C 中得：C AB ==34323130519721522163⨯⎛⎫⎪⎪ ⎪⎝⎭ 则矩阵A 的n 次方也可利用定义的方法来求解。
2.利用矩阵的分块来求解这类方法主要是把一个大矩阵看成是由一些小矩阵组成，就如矩阵由数组成的一样在运算中将这些小矩阵当做数一样来处理，再由矩阵乘法的定义来求解这些小矩阵的乘积所构成的矩阵。
即设()(),,ij kj s n n m A a B b ⨯⨯==把A ，B 分解成一些小矩阵：1111l t tl A A A A A ⎛⎫⎪= ⎪ ⎪⎝⎭K M OM L ，1111r l lr B B B B B ⎛⎫⎪= ⎪ ⎪⎝⎭K M OM L ，其中ij A 是i j s n ⨯小矩阵且1,2...i t =，1,2...j l =，且12...t s s s s +++= ，12...l n n n n +++=；ij B 是j k n m ⨯小矩阵且1,2...j l =，1,2...k r =；且12...l n n n n +++=，12...r m m m m +++=；令C AB ==1111r t tr C C C C ⎛⎫⎪⎪ ⎪⎝⎭K M OM L ，其中ij C 是i j s m ⨯小矩阵且1,2...i t =，1,2,...,j r =，且12...t s s s s +++=，12...r m m m m +++=；其中1122...ij i j i j il lj C A B A B A B =+++。
这里我们应注意：矩阵A 列的分法必须与矩阵B 行的分法一[]1致。
例2：已知矩阵4510025010130012800006A ⨯⎛⎫ ⎪⎪= ⎪ ⎪⎝⎭，521245104206B ⨯⎛⎫⎪ ⎪⎪= ⎪ ⎪ ⎪⎝⎭，求AB 解：将45451002510025010130101300128001280000600006A ⨯⨯⎛⎫⎛⎫⎪⎪ ⎪⎪== ⎪ ⎪⎪⎪⎪⎝⎭⎝⎭11122122EA A A ⎛⎫⎪⎝⎭写成 12124545101042420606B ⎛⎫⎛⎫⎪ ⎪ ⎪ ⎪ ⎪ ⎪== ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭1121B B ⎛⎫ ⎪⎝⎭写成，其中11100010001E ⎛⎫⎪= ⎪ ⎪⎝⎭12251328A ⎛⎫ ⎪= ⎪ ⎪⎝⎭，()2206A =，11124510B ⎛⎫⎪= ⎪ ⎪⎝⎭，214206B ⎛⎫= ⎪⎝⎭由矩阵乘积法则知：1112212111222142B A B A B A B ⨯+⎛⎫⎪+⎝⎭ 由矩阵加法和乘积法则[]1知：42936825AB 952036⨯⎛⎫ ⎪⎪= ⎪ ⎪⎝⎭则矩阵A 的n 次方的求解也可利用以上方法来求解。
3．利用数学归纳法求解这种方法与矩阵定[]1义和数学归纳[]3法相结合，从而找出规律再求解，但是这种方法比较适合低阶且有规律的方阵n 次方的运[]2算。
例3：已知cos sin sin cos θθθθ-⎛⎫⎪⎝⎭，求nA 解：当2n =时2cos sin cos sin cos sin sin cos sin cos sin cos θθθθθθθθθθθθ---⎛⎫⎛⎫⎛⎫= ⎪ ⎪⎪⎝⎭⎝⎭⎝⎭2222cos 2sin 2cos sin 2cos sin sin 2cos 22cos sin cos sin θθθθθθθθθθθθ-⎛⎫--⎛⎫==⎪ ⎪-⎝⎭⎝⎭ 当3n =时32cos sin cos sin cos sin sin cos sin cos sin cos θθθθθθθθθθθθ---⎛⎫⎛⎫⎛⎫=⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭cos 2cos sin 2sin cos 2sin sin 2cos cos 2sin sin 2cos cos 2cos sin 2sin θθθθθθθθθθθθθθθθ---⎛⎫=⎪+-⎝⎭cos3sin 3sin 3cos3θθθθ-⎛⎫=⎪⎝⎭所以假设n A =cos sin sin cos n n n n θθθθ-⎛⎫⎪⎝⎭当1k =时成立，假设当1k n =-时成立；则当k n =时1cos sin cos sin sin cos sin cos n n A θθθθθθθθ---⎛⎫⎛⎫=⎪ ⎪⎝⎭⎝⎭()()()()cos 1sin 1cos sin sin 1cos 1sin cos n n n n θθθθθθθθ---⎛⎫-⎛⎫=⎪⎪--⎝⎭⎝⎭ 由矩阵乘法定及三角函数知：nA =cos sin sin cos n n n n θθθθ-⎛⎫⎪⎝⎭则假设成立。
所以n A =cos sin sin cos n n n n θθθθ-⎛⎫⎪⎝⎭4．利用分拆法求解这类方法主要是将一个矩阵分解成一个单位矩阵和另外一个矩阵之和再求[]1解，且另外这个矩阵的n 次方计算起来比较简[]2单。
例4：已知110011001⎛⎫⎪ ⎪ ⎪⎝⎭，求nA 解：A EB =+，其中010001000B ⎛⎫⎪= ⎪ ⎪⎝⎭，矩阵E 为单位阵且2E E=EB BE B==；故n A =()122+C C C nn n n n n E B E B B B +=+++L由2010010001001001000000000000B ⎛⎫⎛⎫⎛⎫ ⎪⎪ ⎪== ⎪⎪ ⎪ ⎪⎪ ⎪⎝⎭⎝⎭⎝⎭ 23010010001010001001000001000000000000B ⎛⎫⎛⎫⎛⎫⎛⎫ ⎪ ⎪ ⎪⎪== ⎪ ⎪ ⎪⎪ ⎪ ⎪ ⎪⎪⎝⎭⎝⎭⎝⎭⎝⎭000000000⎛⎫⎪= ⎪ ⎪⎝⎭则3n ≥时，n B =0。
故122n nn A E C B C B =++ 由矩阵加法运算法则[]1知：n A =211011001n n C n ⎛⎫+ ⎪+ ⎪ ⎪⎝⎭5．利用相似矩阵求解（利用对角矩阵来求）定义：设矩阵A ，B 为数域P 上两个n 级矩阵，如果可以找到数域P 上的n 级可逆阵X ，使得矩阵1B X AX -=，就说A 与B 相[]1似。
如果矩阵A 或B 有一个可以化成对角矩阵则计算比较简便。
而判断矩阵A 可对角化的条件[]1有： 1)矩阵A 可对角化的必要条件是矩阵A 有n 个不同的特征值2)矩阵A 可对角化的充要条件是矩阵A 有个n 线性无关的特征向量3)在复数域上矩阵A 没有重根而求矩阵A 的特征值和特征向量的方法[]1有：1)求矩阵A 特征多项式E A λ-在数域P 中的全部根，这些根是矩阵A 的全部特征值。
把这些所求的特征值逐个的代入方程组()0E A X λ-=中，对于每一个特征值，解方程组()0E A X λ-=，求出一组基础解系，那么这个基础解系就是属于这个特征值的特征向量。
再利用判别法判断矩阵A 是否可对角化。
例5：已知矩阵33122212221A ⨯⎛⎫ ⎪=- ⎪ ⎪--⎝⎭,求nA 解：易知矩阵的A 特征多项式E A λ-=122212221λλλ------由行列式计算方法知：E A λ-=()()()()()213113λλλλλ--=-+-所以矩阵A 的特征值为1,1,3-。
当特征值为1时，解方程()0E A X -=，由齐次线性方程组的计算方法知：()0E A X -=的基础解系为1a =()111'-；所以矩阵A 属于特征值1的全部特征向量为()1111k '-,其中1k ≠0。
当特征值为1-时，解方程()0E A X --=，由齐次线性方程组的计算方法知：()0E A X --=的基础解系为2a =()110'-；所以矩阵A 属于特征值1-的全部特征向量为()2110k '-，其中2k ≠0。
当特征值为3时，解方程()30E A X -=，由齐次线性方程组的计算方法知：()30E A X -=的基础解系为3a =()011'-，所以矩阵A 属于特征值3的全部特征向量为()3011k '-，其中3k ≠0。
则由矩阵A 可对角化的条件知：矩阵A 可对角化且对角阵为B =100010003⎛⎫⎪- ⎪ ⎪⎝⎭令123C a a a →→→'⎛⎫= ⎪⎝⎭=33110111101⨯⎛⎫⎪-- ⎪ ⎪-⎝⎭，由求逆矩阵的方法知：1111011110C -⎛⎫⎪=-- ⎪ ⎪⎝⎭因为线性变换在不同基下所对应的矩阵是相似的知：1C AC B -= 所以()11nn n C AC C A C B --==，则()333310010001001000303nnnn B ⨯⨯⎛⎫⎛⎫⎪ ⎪=-=- ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭ 由1n n A CB C -=,由矩阵的乘法运算法则知：()()()()3311111311311113131nnn n nn nn n A ⨯⎛⎫---- ⎪ ⎪=--+--- ⎪-- ⎪⎝⎭2)对方阵A ，设()()1F E A λλ'=-，对()()1n F E λ做初等变换，化成()()()D P λλ其中()D λ为上三角阵，则矩阵()D λ主对角线上元素乘积的λ的多项式的根即为A 的特征根i λ。