特征值与特征向量
1 0
1 1
, B=
1 0
0 1
,
|E A| =
1
0
1
1
= (1)2.
|E B| =
1
0
0
1
= (1)2.
假设 P –1AP = B, 则A = PBP –1 = E. 矛盾!
第五章 特征值与特征向量
§5.2 相似矩阵
三. 相似对角化问题
设P1AP = , P = 1 4 , = 1 0 ,
第五章 特征值与特征向量
§5.2 相似矩阵
定理5.4. 1, 2, …, s ——A的互异的特征值 1, 2, …, s ——A的特征向量 1, 2, …, s线性无关
推论. Ann有n个互异的特征值1, 2, …, n
§5.2 矩阵的特征值与特征向量
2 1 1
例3.
求A
=
0 4
2 1
0 3
的特征值和特征向量.
解: |EA| = (+1)(2)2.
所以A的特征值为1= 1, 2= 3= 2.
(EA)x = 0的基础解系: p1=(1,0,1)T.
对应于1= 1的特征向量为kp1 (0kR).
(2EA)x = 0的基础解系:
解:
|EA|
=
3
1
1
3
=
(2)(4)
=
0.
所以A的特征值为1=2, 2=4.
对于1=2, (2EA)x = 0, 化简得 x1 x2 = 0,
解之得
x1 x2
=k
1 1
(0 k R).
A的对应于1=2的特征向量为
k k
(0kR).
第五章 特征值与特征向量
§5.1 矩阵的特征值与特征向量
例1.
k1(12)1 =
k1 = 0 k22 =
k2 = 0
第五章 特征值与特征向量
§5.2 相似矩阵
条件: 1, 2, 3 ——A的互异的特征值 1, 2, 3 ——A的特征向量
结论: 1, 2, 3线性无关
k11+k22+k33 =
Ak1(Ak11111+++kkk222A222++2k+k3k3A33)3=3=3= k131+k232+k333 =
(1) 反身性: A~A. (2) 对称性: A~B B~A. (3) 传递性: A~B, B~C A~C.
(4) A~B f(A) ~ f(B). (5) P 1AP = B r(A) = r(B), A与B等价. (6) 可逆矩阵A~B A1 ~B1.
P 1AP = B (P 1AP)1 = B1 P 1A1P = B1
特征值
§5.1 矩阵的特征值与特征向量
A =
特征向量
(EA) = 0
特征多项式 |EA| = 0
特征方程
a11 a12 … a1n
|EA| =
a21 …
a22 … a2n
…… …
an1 an2 … ann
第五章 特征值与特征向量
§5.1 矩阵的特征值与特征向量
例1.
求A
=
3 1
1 3
的特征值和特征向量.
推论1. 若A的特征值是 1，2，… ，n, 则1+2+…+n = tr(A), 12…n = |A|.
推论2. Ann可逆 A的特征值均不为零.
例4. 若3阶方阵EA, E+A, 2E3A都不可逆, 求tr(A)与 |A|.
第五章 特征值与特征向量
特征值
§5.1 矩阵的特征值与特征向量
A =
约当[法] M.E.C. Jordan (1838.1-1922.1)
第五章 特征值与特征向量
§5.1 矩阵的特征值与特征向量
§5.1 矩阵的特征值与特征向量
一. 特征值与特征向量的概念
n阶方阵
A的特征值
A =
非零向量 A的特征向量 注:一个特征向量只能属于一个特征值.
第五章 特征值与特征向量
所以A的特征值为1=2, 2= 3= 1. 对于1=2,
求得(2EA)x = 0 的基础解系: p1=(0,0,1)T.
对应于1=2的特征向量为kp1 (0kR). 对于2=3=1,
求得(EA)x = 0 的基础解系: p2=(1, 2,1)T.
对应于2=3 =1的特征向量为kp2 (0kR).
第五章 特征值与特征向量
1 1 0
例2.
求A
=
4 1
3 0
0 2
的特征值和特征向量.
解: |EA| = (2)(1)2.
所以A的特征值为1=2, 2= 3= 1. 对于1=2,
求得(2EA)x = 0 的基础解系: p1=(0,0,1)T.
对应于1=2的特征向量为kp1 (0kR). 对于2=3=1,
求得(EA)x = 0 的基础解系: p2=(1, 2,1)T.
§5.2 相似矩阵
二. 矩阵相似的必要条件
定理5.2. P 1AP = B |E A| = |E B|.
=
(1)(2)…(n) tr(A) = 1+2+…+n = tr(B)
|A| = 12…n = |B|
第五章 特征值与特征向量
§5.2 相似矩阵
二. 矩阵相似的必要条件
定理5.2. P 1AP = B |E A| = |E B|.
求A
=
3 1
1 3
的特征值和特征向量.
解:
|EA|
=
3
1
1
3
=
(2)(4).
所以A的特征值为1=2, 2=4.
对于1=2, (2EA)x = 0 即
x1 + x2 = 0 x1 x2 = 0
解之得
x1 x2
=k
1 1
(0 k R).
A的对应于1=2的特征向量为
k k
(0kR).
第五章 特征值与特征向量
§5.2矩阵的特征值与特征向量
例1.
求A
=
3 1
1 3
的特征值和特征向量.
解[评: |注E]–A| =
–3
1
1
–3
= (–2)(–4).
令所P 以= A11的特11 征, 值则为P1A1=P2=, 220=404. .
令对Q于= 121=4,11(4,E则–AQ)x1A=Q0
=即40
xx1102++
11
02
求A11.
A = PP1
11 =
1 0 0 211
A11 = (PP1)(PP1)(PP1)…(PP1) = P11P1
第五章 特征值与特征向量
§5.2 相似矩阵
定理5.3. Ann相似于对角矩阵 A有n个线性无关的特征向量.
第五章 特征值与特征向量
§5.2 矩阵的特征值与特征向量
例1.
第五章 特征值与特征向量
第一节 矩阵的特征值与特征 向量
第二节 相似矩阵 第三节 实对称矩阵的相似对
角化 第四节 矩阵的Jordan标准型 第五节 用Matlab解题
柯西[法] A. L. Cauchy (1789.8-1857.5)
凯莱[英] A. Cayley (1821.8-1895.1)
克莱伯施[德] R.F.A. Clebsch (1833.1-1872.11)
p2=(0, 1, 1)T, p3=(1, 0, 4)T.
对应于2=3 =2的特征向量为k2p2 +k3p3
(k2, k3不同时为零).
第五章 特征值与特征向量
条件: 1, 2 ——A的互异的特征值 1, 2 ——A的特征向量
结论: 1, 2线性无关ห้องสมุดไป่ตู้
§5.2 相似矩阵
k11 + k22 =
kA1(Ak11111++kk22A2222) 2== k121 + k222 =
k1(13)1 + k2(23)2 =
k1(12) = k2(23) = 0
k1 = k2 = 0 k33 = k3 = 0
第五章 特征值与特征向量
§5.2 相似矩阵
条件: 1, 2, …, s ——A的互异的特征值 1, 2, …, s ——A的特征向量
结论: 1, 2, …, s线性无关
x2 .x2
= =
0 0
解之得
x1 x2
=k
1 1
(0 k R).
A的对应于2=4的特征向量为
k k
(0kR).
第五章 特征值与特征向量
§5.2 矩阵的特征值与特征向量
1
例2.
求A
=
4 1
1 3 0
0 0 2
[的问特] A征相值似和于特对征角向矩量阵. 吗?
解: |EA| = (2)(1)2.
推论. A~B A与B有相同的特征值
tr(A) = tr(B), |A| = |B|.
例6. 0 1 ~ 2 5 0+3 = 2+y x = 2,
x3 0y
x = 2y
y = 1.
第五章 特征值与特征向量
§5.2 相似矩阵
二. 矩阵相似的必要条件
注: 特征多项式相同的矩阵未必相似.
例如 A =
… … ……
an1 an2 … ann
(a11)(a22)…(ann)
= n (a11+a22+…+ann)n1 + …
f(0) = |A| = (1)n|A|. A的迹, 记为tr(A)
5.1 特征值与特征向量
例6
设A2 3A 2E O, 证明A 的特征值只能取1或2.
解 设A有特征值， A2 3 A 2E 则
3 2
2
又因为A2 3 A 2E 0 故2 3 2 0.
1或者 2.
例7
设n阶方阵A有n个特征值1,2,…., n, 求|A+3E|.
解 设A有特征值， A 3E 则
3
故A+3E的特征值为4, 5, ….., n+3 ( n 3)! A 3E 3!
回答问题
(1) 向量 0 满足 A ,
α 0 是 A 的特征向量吗？ 不是
结论：设1, 2 ,, m是方阵A的m个特征值，p1, p2 ,, pm
Байду номын сангаас
依次是与之对应的特征 向量. 若1, 2 ,, m各不相等，
则p1 , p2 ,, pm线性无关。
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而言 的，一个特征值具有的特征向量不唯一；一个特 征向量只能属于一个特征值．
特征向量仍为 x。
(1 证明： ) Ax x ( kA) x ( k ) x
( 2) A2 x A Ax Ax Ax x 2 x 1 1 1 1 1 ( 3) A Ax A x A x A x x
* *
|A |
x
若，， ，n 是可逆矩阵A的全部特征值，则A*的 | A| | A| | A| 全部特征值是 : ， ， ， ,且对应的特征向量
特征值与特征向量
特征值与特征向量特征值与特征向量是线性代数中的重要概念，它们在矩阵理论、物理学、工程等领域有着广泛的应用。
本文将对特征值与特征向量进行详细讲解，并介绍它们的一些重要性质和应用。
一、特征值与特征向量的定义在线性代数中，给定一个n阶方阵A，非零向量x若满足Ax=kx，其中k为一个标量，那么我们称k为矩阵A的特征值，x为矩阵A对应于特征值k的特征向量。
特征值和特征向量是矩阵A的固有性质，它们描述了矩阵在线性变换下的一些重要特性。
二、求解特征值与特征向量要求解一个矩阵的特征值与特征向量，我们可以通过求解特征方程来实现。
特征方程是一个关于特征值的多项式方程，形式为|A-kI|=0，其中I为单位矩阵，k为特征值。
解特征方程可以得到特征值的值，然后将特征值代入到(A-kI)x=0中，求解线性方程组即可得到特征向量。
特征值与特征向量是成对存在的，对于矩阵A的每一个特征值k，都对应着一个特征向量。
一个矩阵最多有n个特征值，但是可能有重复的特征值。
三、特征值与特征向量的重要性质特征值与特征向量具有以下重要性质：1. 特征向量与特征值的个数相等，一一对应。
2. 特征值可以为实数或复数，特征向量可以为实向量或复向量。
3. 若特征值为k，则对应的特征向量不唯一，可乘以一个非零常数得到不同的特征向量。
4. 矩阵的迹等于特征值的和，行列式等于特征值的积。
特征值与特征向量的这些性质在实际问题中有着重要的应用，可以用于矩阵的对角化、求解线性方程组、图像处理、物理模型的求解等领域。
四、特征值与特征向量的应用1. 数据降维在数据处理中，我们经常会遇到维度灾难，即特征维度非常高，而样本量较小。
利用特征值与特征向量，我们可以将高维度的数据降低到低维度，从而简化计算和数据处理过程，提高算法效率。
2. 图像处理图像可以用矩阵来表示，而图像的特性往往由矩阵的特征值与特征向量来描述。
利用特征值与特征向量，我们可以进行图像的压缩、图像的特征提取、图像的增强等图像处理操作。
特征值和特征向量
特征值和特征向量特征值和特征向量是线性代数中非常重要的概念，在数学和工程领域中广泛应用。
它们与矩阵与向量的关系密切相关，可以用于解决许多实际问题。
一、特征值与特征向量的定义特征值和特征向量是矩阵的固有性质，它们描述了矩阵在线性变换下的特殊性质。
特征值（eigenvalue）是一个数，表示矩阵变换后的向量与原向量方向相等或反向。
特征向量（eigenvector）则是与特征值对应的向量。
对于一个n维矩阵A和一个n维向量x，如果满足以下等式：Ax = λx其中λ为标量，称为特征值，x称为特征向量。
我们可以将这个等式分解为(A-λI)x=0，其中I为单位矩阵，如果矩阵A存在一个非零向量x使得等式成立，则说明λ为矩阵A的特征值，x为对应的特征向量。
特征值和特征向量总是成对出现，一个特征值可能对应多个特征向量。
二、特征值与特征向量的求解为了求解矩阵的特征值与特征向量，我们可以使用特征值问题的基本公式：det(A-λI) = 0其中，det表示行列式求值。
解这个方程可以得到矩阵A的特征值λ。
然后，我们将每个特征值代入方程(A-λI)x = 0，求解得到对应的特征向量x。
三、特征值与特征向量的意义特征值和特征向量在许多应用中起着重要的作用，它们可以帮助我们理解矩阵的几何性质和变换规律。
在线性代数中，特征值和特征向量有以下几个重要意义：1. 几何意义：特征向量表示了矩阵变换后不改变方向的向量。
特征值表示了特征向量在变换中的缩放因子。
通过分析特征向量和特征值，我们可以了解变换对向量空间的拉伸、压缩、旋转等操作。
2. 矩阵对角化：如果矩阵A有n个线性无关的特征向量，我们可以将这些特征向量组成一个矩阵P，并将其逆矩阵P^{-1}乘以A和AP^{-1}，就可以得到一个对角矩阵D，D的对角线上的元素就是矩阵A的特征值。
这个过程称为矩阵的对角化，可以简化矩阵的运算和分析。
3. 矩阵的奇异值分解：特征值和特征向量也与矩阵的奇异值分解密切相关。
特征值与特征向量
特征值与特征向量在数学中，特征值和特征向量是矩阵与线性变换的重要概念。
特征值可以帮助我们理解线性变换对向量运动的影响，而特征向量则描述了这种影响的方向。
本文将介绍特征值与特征向量的定义、性质以及它们在实际问题中的应用。
一、特征值与特征向量的定义对于一个n维向量空间中的线性变换T，如果存在一个非零向量v使得T(v) = λv 成立，其中λ为一个标量，那么我们称λ为T的特征值，v为T对应于特征值λ的特征向量。
特征值和特征向量可以通过求解线性方程组来获得。
设A是一个n×n的矩阵，并且v是一个非零向量，则有Av = λv 成立。
这是一个齐次线性方程组。
解该方程组即可得到特征值和特征向量。
二、特征值与特征向量的性质1. 特征值与特征向量的存在性和唯一性对于一个n×n的矩阵A，它的特征值存在和特征向量存在的条件是相同的。
一个矩阵最多有n个不同的特征值，每个特征值对应的特征向量也可以有多个。
但是特征向量一定是线性相关的。
2. 特征值与特征向量的性质（1）特征值的和等于矩阵的迹如果A是一个n×n的矩阵，λ₁、λ₂、...、λₙ是其特征值，则有λ₁+λ₂+...+λₙ = tr(A)，其中tr(A)表示矩阵A的迹。
（2）特征值的乘积等于矩阵的行列式如果A是一个n×n的矩阵，则特征值的乘积等于矩阵的行列式，即λ₁*λ₂*...*λₙ = det(A)，其中det(A)表示矩阵A的行列式。
（3）特征值的倒数等于矩阵的逆矩阵的特征值如果A是一个可逆矩阵，λ₁、λ₂、...、λₙ是其特征值，则A的逆矩阵的特征值为λ₁⁻¹、λ₂⁻¹、...、λₙ⁻¹。
三、特征值与特征向量的应用特征值和特征向量在实际问题中有广泛的应用。
下面列举了其中的几个应用领域：1. 特征值分解特征值分解是将一个矩阵分解为特征值和特征向量的形式。
特征值分解在许多领域中都有广泛的应用，如信号处理、图像压缩和降维等。
特征值与特征向量
特征值与特征向量特征值与特征向量是线性代数中的重要概念，广泛应用于数学、物理学、工程学等领域。
它们在矩阵理论和特征分析中有着重要的地位和作用。
本文将介绍特征值与特征向量的定义、性质以及它们在实际问题中的应用。
一、特征值与特征向量的定义特征值与特征向量是矩阵理论中的两个重要概念。
给定一个n阶方阵A，如果存在一个非零向量x，使得Ax=λx，其中λ是一个常数，则称λ为矩阵A的特征值，称x为矩阵A对应于特征值λ的特征向量。
特征值与特征向量通常以特定的顺序排列。
特征值和特征向量的求解是一个典型的特征值问题，可通过求解矩阵的特征多项式来获得。
具体方法包括对矩阵进行特征分解、通过特征子空间进行求解等。
二、特征值与特征向量的性质1. 特征值和特征向量的性质特征值与特征向量的性质包括：（1）特征值和特征向量的存在性：对于n阶方阵A，一般情况下存在n个特征值和n个特征向量。
（2）特征值的重数：特征多项式在λ=k处有重根，且k是特征值的充要条件是一阶Jordan块的个数等于λ=k的代数重数。
（3）若矩阵A是对称矩阵，则特征值都是实数。
2. 特征值与特征向量的关系特征值与特征向量之间存在着密切的关系：（1）特征值的求解可以得到特征向量，同时特征向量可以确定对应的特征值。
（2）特征值和特征向量是成对出现的，特征值λ对应的特征向量x组成一个特征对。
（3）特征向量可以通过相似变换保持不变。
三、特征值与特征向量的应用特征值与特征向量在很多领域都有广泛的应用，如物理学、工程学、计算机科学等。
1. 物理学中的应用特征值与特征向量在量子力学、振动理论、电路分析等物理问题中具有重要意义。
在量子力学中，波函数满足薛定谔方程，特征值和特征向量可以描述量子态及其能量。
在振动理论中，物体的振动与其特征值和特征向量相关，可以通过特征值和特征向量来分析和描述振动的特性。
2. 工程学中的应用特征值与特征向量在工程学中的应用广泛。
例如，在结构动力学中，可以通过特征值和特征向量来分析结构体的振动特性，对于工程结构的优化设计起到重要作用。
特征值和特征向量
练习
3. 已知 A的特征值 为
(1)求AT、aA（a为任意实数A（ ） k k为 、正整数）的特 (2设 ) A可逆，A求 1的特征值。
4.试证 A有特征值零的充分 条必 件要 是 A0.
§4.2 相似矩阵与矩阵 可对角化的条件
1. 相似矩阵概念 2. 相似矩阵基本性质 3. 方阵的对角化含义 4. 矩阵可对角化的条件
特征值和特征向量
§4.1 矩阵的特征值 和特征向量
1. 特征值与特征向量定义 2. 相关概念 3.两个有用公式
(特征方程根与系数的关系) 4.特征值与特征向量求法 5.特征值与特征向量的性质
1. 特征值与特征向量定义
定义4.1
设A为n阶方阵, 若存在常数
及非零向量
,使A成立 ,则称 为方A的 阵特征 , 值
而
A2, 故x=0,y=1.
课堂练习
设矩A阵 12
2 x
24与B5
y
4 2 1
4
相似 ,求x,y.
3.方阵的对角化含义
所谓方阵
A 可以对角化,
是指 A与对角阵
Λ相似.
即存在可逆矩阵
P , 使 P1AP成立.
4.
矩阵可对角化的条件
定理(充要条件)
n阶方阵
个线性无关的特征向量.
可对角化
A
A 有 n
A A O (EA)O
推论1、2（P159） 若α1，α2是A属于λ0的特征向量，则c1α1+ c2α2也是A属于λ0的特征向量。
3.两个有用公式(特征方程根与系数的关系)
设 n阶方 A 的 阵 特征 1,2,值 ,n为 ,
则 (1 1 )2 na1 1a2 2 an;n
线性代数中的特征值与特征向量
线性代数中的特征值与特征向量特征值和特征向量是线性代数中的重要概念，广泛应用于物理、经济、计算机科学等领域。
本文将介绍特征值和特征向量的定义、性质以及其在矩阵对角化和特征分解中的应用。
一、特征值与特征向量的定义在线性代数中，给定一个 n×n 的矩阵 A，我们称零向量v≠0 是矩阵A 的特征向量，如果存在一个实数λ，使得Av=λv。
特征值λ 是使得上述等式成立的实数。
特征向量与特征值是成对出现的，每个特征向量都有一个对应的特征值。
二、特征值与特征向量的性质1. 特征值与特征向量的数目相等对于一个 n×n 的矩阵 A，它最多能有 n 个线性无关的特征向量。
而特征值也最多有n 个。
一个特征值可以对应多个线性无关的特征向量。
2. 特征向量的积性质如果 v 是 A 的特征向量，那么对于任意实数 c，cv 也是 A 的特征向量，且特征值保持不变。
3. 特征向量的加性质如果 v1 和 v2 是 A 的特征向量，对应相同的特征值λ，那么 v1+v2也是 A 的特征向量，对应特征值λ。
三、特征值与特征向量的计算要计算一个矩阵的特征值和特征向量，我们需要求解方程Av=λv。
1. 寻找特征值对于一个 n×n 的矩阵 A，我们需要求解行列式 |A-λI|=0 的根，其中I 是 n 阶单位矩阵。
这样可以得到 A 的特征值。
2. 寻找特征向量对于每个特征值λ，我们需要求解方程组 (A-λI)v=0，其中 v 是特征向量。
解这个齐次方程组可以得到 A 的特征向量。
四、特征值与特征向量的应用1. 矩阵对角化如果一个 n×n 的矩阵 A 有 n 个线性无关的特征向量，那么可以找到对角矩阵 D 和可逆矩阵 P，使得 P^{-1}AP=D。
对角矩阵 D 中的对角元素就是特征值，P 中的列向量就是对应的特征向量。
2. 特征分解对于一个对称矩阵 A（A=A^T），可以进行特征分解，表示为A=QΛQ^T，其中 Q 是由 A 的特征向量组成的正交矩阵，Λ 是对角矩阵，其对角元素是 A 的特征值。
特征值和特征向量
特征值和特征向量特征值和特征向量是线性代数中重要的概念，广泛应用于各个领域的数学和科学问题中。
特征值和特征向量的理解和运用对于解决线性代数中的矩阵方程、特征分解以及一些实际问题有着重要的意义。
一、特征值与特征向量的定义在线性代数中，对于一个n阶方阵A，如果存在一个非零向量x，使得下式成立：A·x=λ·x其中，λ为一个复数，称为矩阵A的特征值，x称为对应于特征值的特征向量。
对于方阵A，可能存在多个特征值和对应的特征向量。
二、特征值和特征向量的性质1. 特征向量的长度无关紧要：特征向量的长度没有具体的要求，只要方向相同即可。
2. 特征向量是线性的：如果v是一个A的特征向量，那么对于任意标量k都有kv仍是A的特征向量。
3. 不同特征值对应的特征向量是线性无关的：如果λ1≠λ2，则对应的特征向量v1和v2线性无关。
三、求解特征值和特征向量的方法针对不同的方阵A，求解特征值和特征向量的方法也有所不同，常用的方法有以下几种：1. 特征方程法：令A-λI=0，其中I是单位矩阵，解方程A-λI=0可以得到方阵A的特征值λ。
然后将特征值带入方程(A-λI)x=0，求解得到方阵A对应特征值的特征向量。
2. 幂法：通过迭代的方法求解矩阵的特征值和特征向量。
先随机选择一个向量x0，然后通过迭代运算得到序列x0，Ax0，A^2x0，...，A^nx0，其中n为迭代次数。
当n足够大时，序列将收敛到A的特征向量。
3. Jacobi方法：通过迭代矩阵的相似变换，将矩阵对角化。
该方法通过交换矩阵的不同行和列来逐步减小非对角元素，最终得到对角矩阵，对角线上的元素即为特征值。
四、特征值和特征向量的应用特征值和特征向量在很多领域中都有广泛的应用，包括以下几个方面：1. 图像处理：特征值和特征向量可用于图像的降维和特征提取，通过对图像的特征向量进行分析，可以获得图像的主要特征。
2. 特征分析：特征值和特征向量可用于分析复杂系统的稳定性、动态响应和振动特性，如机械系统、电路系统等。
特征值与特征向量
由归纳假设可知x1 , x2 , , xr 线性无关,因此 ki (r 1 i ) 0, i 1, 2, , r , 又r 1 i 0, i 1, 2, , r 从而ki 0, i 1, 2, , r , 代入(3)得从而k r 1 0. 即x1 , x2 , , xr , xr 1线性无关.
T
所以k1 p1 (k1 0)是对应于1 1的全部特征向量. 当2 3 2时, 解方程组(A 2 I ) x 0
线 性 代 数
得基础解系
p2 (1, 4, 0)T ,p3 (1, 0, 4)T
所以k2 p2 k3 p3 (k2 , k3不全为零)是对应于
2 3 2的全部特征向量.
m 0 m
线 性 代 数
(3) 若A可逆的, 则
| A|
1
0
为A*的一个特征值.
0
为A1的一个特征值,
证 由题意知 Ax 0 x (1) (kA) x k ( Ax) k (0 x) (k 0 )x, 即k 0是kA对应 于特征向量x的特征值.
(2) Am x Am1 ( Ax) 0 ( Am1 x) 0 Am2 ( Ax) 02 Am2 x 0m x 即0m是Am 对应于特征向量x的特征值.
由例题7的结论进一步还可得下面的结论: 若为n阶方阵A的特征值, 对任一个多项式,即f ( x) ai x i ,
i 0
= =
则f ( ) ai 为矩阵f ( A) ai Ai的特征值.
i i 0 i 0
m
m
例8 (1)设n阶方阵A满足A 2 A, 证明A的特征值为0或1; (2)设n阶方阵A为正交矩阵,证明 A的特征值为1或-1; (3)设n阶方阵A满足A k =0(k为某一正整数),证明 A的特征值全为0; 证 设为方阵A的任一特征值,则存在非零向量 x使 Ax x (1)由例题7可知,A2 x 2 x, 又A2 A, 故A2 x Ax x, 从而有
线性代数特征值与特征向量
线性代数特征值与特征向量特征值与特征向量是线性代数中的重要概念，广泛应用于各个领域。
在本文中，我们将详细介绍特征值与特征向量的定义、性质以及应用。
一、特征值与特征向量的定义在线性代数中，给定一个n阶方阵A，如果存在一个非零向量v使得满足以下等式：Av = λv其中，v称为A的特征向量，λ称为A的特征值。
特征值与特征向量始终成对出现，不同特征向量对应的特征值可以相同，也可以不同。
二、特征值与特征向量的性质1. 特征向量的性质（1）特征向量可以进行线性组合。
即若v1和v2是矩阵A相应于特征值λ的特征向量，那么c1v1 + c2v2也是矩阵A相应于λ的特征向量（其中c1和c2为常数）。
（2）特征向量的数量最多为n。
对于一个n阶方阵A，它最多有n个线性无关的特征向量。
2. 特征值的性质（1）特征值具有可加性。
对于矩阵A和B，相应的特征值分别是λ1和μ1，那么A+B的特征值为λ1+μ1。
（2）特征值具有可乘性。
对于矩阵A和B，相应的特征值分别是λ1和μ1，那么A·B的特征值为λ1·μ1。
三、特征值与特征向量的求解方法特征值与特征向量的求解是通过解方程Av = λv来实现的。
常见的求解方法有以下两种：1. 特征方程法将Av = λv转化为(A-λI)v = 0，求解矩阵(A-λI)的零空间，即可得到特征向量v，然后代入Av = λv中求解λ。
2. 列主元法通过高斯消元法将矩阵A转化为上三角矩阵U，求解Ux = 0的基础解系，其中x即为特征向量，对应的主对角线元素即为特征值。
四、特征值与特征向量的应用特征值与特征向量在许多领域都有广泛的应用，以下是其中几个典型的应用案例：1. 矩阵对角化通过找到一个可逆矩阵P，使得P^-1AP = D，其中D是一个对角矩阵，对角线上的元素即为A的特征值。
矩阵对角化可以简化矩阵的运算，提高计算效率。
2. 矩阵压缩在图像处理和数据压缩中，特征值与特征向量可以用来进行矩阵的压缩。