【证明】矩阵特征值之和等于主对角线元素之和

这篇具有很好参考价值的文章主要介绍了【证明】矩阵特征值之和等于主对角线元素之和。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

性质 1 设 n n n 阶矩阵 A = ( a i j ) \boldsymbol{A} = (a_{ij}) A=(aij) 的特征值为 λ 1 , λ 2 , ⋯   , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,,λn,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n \lambda_1 + \lambda_2 + \cdots + \lambda_n = a_{11} + a_{22} + \cdots + a_{nn} λ1+λ2++λn=a11+a22++ann

证明 不妨设矩阵 A \boldsymbol{A} A 的特征多项式为
f ( λ ) = ∣ A − λ E ∣ = ∣ a 11 − λ a 12 ⋯ a 1 n a 21 a 22 − λ ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n − λ ∣ = k 0 + k 1 λ + ⋯ k n λ n (1) f(\lambda) = |\boldsymbol{A} - \lambda \boldsymbol{E}| = \begin{vmatrix} a_{11} - \lambda & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} - \lambda & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} - \lambda \\ \end{vmatrix} = k_0 + k_1 \lambda + \cdots k_n \lambda^n \tag{1} f(λ)=AλE= a11λa21an1a12a22λan2a1na2nannλ =k0+k1λ+knλn(1)
因为矩阵 A \boldsymbol{A} A 的特征值 λ 1 , λ 2 , ⋯   , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,,λn 是特征方程 f ( λ ) = 0 f(\lambda) = 0 f(λ)=0 n n n 个解,所以上式 ( 1 ) (1) (1) 可以写成
f ( λ ) = ( λ 1 − λ ) ( λ 2 − λ ) ⋯ ( λ n − λ ) (2) f(\lambda) = (\lambda_1 - \lambda)(\lambda_2 - \lambda) \cdots (\lambda_n - \lambda) \tag{2} f(λ)=(λ1λ)(λ2λ)(λnλ)(2)
根据韦达定理可知,上式 ( 2 ) (2) (2) λ n − 1 \lambda^{n-1} λn1 的系数 k n − 1 = λ 1 + λ 2 + ⋯ + λ n k_{n-1} = \lambda_1 + \lambda_2 + \cdots + \lambda_n kn1=λ1+λ2++λn

因为在行列式 ∣ A − λ E ∣ |\boldsymbol{A} - \lambda \boldsymbol{E}| AλE 中,除主对角线对应的项以外,其他项展开后关于 λ \lambda λ 的最高项均小于等于 n − 2 n-2 n2 次;所以,若要得到 λ n − 1 \lambda^{n-1} λn1 项,只能通过主对角线对应的项得到。主对角线对应的项为
( a 11 − λ ) ( a 22 − λ ) ⋯ ( a n n − λ ) (3) (a_{11} - \lambda) (a_{22} - \lambda) \cdots (a_{nn} - \lambda) \tag{3} (a11λ)(a22λ)(annλ)(3)
因为上式 ( 3 ) (3) (3) λ n − 1 \lambda^{n-1} λn1 的系数即式 ( 1 ) (1) (1) λ n − 1 \lambda^{n-1} λn1 的系数 k n − 1 k_{n-1} kn1,根据韦达定理,有 k n − 1 = a 11 + a 22 + ⋯ + a n n k_{n-1} = a_{11} + a_{22} + \cdots + a_{nn} kn1=a11+a22++ann

综上所述,有
λ 1 + λ 2 + ⋯ + λ n = k n − 1 = a 11 + a 22 + ⋯ + a n n \lambda_1 + \lambda_2 + \cdots + \lambda_n = k_{n-1} = a_{11} + a_{22} + \cdots + a_{nn} λ1+λ2++λn=kn1=a11+a22++ann
得证。文章来源地址https://www.toymoban.com/news/detail-439617.html

到了这里,关于【证明】矩阵特征值之和等于主对角线元素之和的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 实对称矩阵的奇异值等于特征值

    首先,来看一下什么叫作矩阵的奇异值,根据课本上的定义 1 定理1: 实对称矩阵的奇异值等于其特征值. 证明: 对于实对称矩阵 A A A , 其特征值为 λ 1 , λ 2 , . . . , λ n lambda_1,lambda_2,...,lambda_n λ 1 ​ , λ 2 ​ , . . . , λ n ​ . 由某个定理可知(自己查找一下), A 2 A^2 A 2 的特

    2024年02月06日
    浏览(47)
  • 线性代数|证明:矩阵特征值的倒数是其逆矩阵的特征值

    性质 1 若 λ lambda λ 是 A boldsymbol{A} A 的特征值,当 A boldsymbol{A} A 可逆时, 1 λ frac{1}{lambda} λ 1 ​ 是 A − 1 boldsymbol{A}^{-1} A − 1 的特征值。 证明 因为 λ lambda λ 是 A boldsymbol{A} A 的特征值,所以有 p ≠ 0 boldsymbol{p} ne 0 p  = 0 使 A p = λ p boldsymbol{A} boldsymbol{p} = lambda

    2024年02月08日
    浏览(49)
  • 【证明】矩阵不同特征值对应的特征向量线性无关

    定理 1 设 λ 1 , λ 2 , ⋯   , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ​ , λ 2 ​ , ⋯ , λ m ​ 是方阵 A boldsymbol{A} A 的 m m m 个特征值, p 1 , p 2 , ⋯   , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ​ , p 2 ​ , ⋯ , p m ​ 依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ

    2024年02月09日
    浏览(46)
  • 【证明】对称矩阵的特征值为实数

    性质 1 对称矩阵的特征值为实数。 证明 设复数矩阵 X = ( x i j ) boldsymbol{X} = (x_{ij}) X = ( x ij ​ ) , x ‾ i j overline{x}_{ij} x ij ​ 为 x i j x_{ij} x ij ​ 的共轭复数,记 X ‾ = ( x ‾ i j ) overline{boldsymbol{X}} = (overline{x}_{ij}) X = ( x ij ​ ) ,即 X ‾ overline{boldsymbol{X}} X 是由 X boldsym

    2024年02月04日
    浏览(77)
  • 【问题证明】矩阵方程化为特征值方程求得的特征值为什么是全部特征值?不会丢解吗?

    这个问题困扰了我好久,一直感觉如果有其他的特征值没法证伪,不过一直存在思想的层面,没有实际解决,今天突然想到动笔来解决,遂得解,证明如下。 这个证明看似证明过后很直观,但实际上思维走向了牛角尖的时候光靠思考是无法得出令人信服的结论的,唯有实际动

    2024年02月05日
    浏览(58)
  • 线性代数|证明:矩阵不同特征值对应的特征向量线性无关

    定理 1 设 λ 1 , λ 2 , ⋯   , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ​ , λ 2 ​ , ⋯ , λ m ​ 是方阵 A boldsymbol{A} A 的 m m m 个特征值, p 1 , p 2 , ⋯   , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ​ , p 2 ​ , ⋯ , p m ​ 依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ

    2024年02月07日
    浏览(60)
  • (done) Positive Semidefinite Matrices 什么是半正定矩阵?如何证明一个矩阵是半正定矩阵? 可以使用特征值

    参考视频:https://www.bilibili.com/video/BV1Vg41197ew/?vd_source=7a1a0bc74158c6993c7355c5490fc600 参考资料(半正定矩阵的定义):https://baike.baidu.com/item/%E5%8D%8A%E6%AD%A3%E5%AE%9A%E7%9F%A9%E9%98%B5/2152711?fr=ge_ala 看看半正定矩阵的定义: 正定矩阵是 0,半正定矩阵是 = 0 根据定义来看,半正定矩阵也有 “实

    2024年02月22日
    浏览(55)
  • 为什么特征值的重数大于等于线性无关特征向量的个数

    关系就是,特征值的重数 ≥ 该特征值的线性无关向量的个数 ≥ 1 量化关系有 特征值的重数,称为 代数重数 ,等于Jordan矩阵中特征值为λ的Jordan块的阶数之和 特征向量的个数,称为 几何重数 ,等于Jordan矩阵中特征值为λ的Jordan块的个数 证明 先说结论 每个矩阵 等价 于一个

    2024年02月11日
    浏览(68)
  • 【证明】二次型正定的充要条件是特征值全为正

    前置定理 1 任给二次型 f = ∑ i , j = 1 n a i j x i x j   ( a i j = a j i ) f = sum_{i,j=1}^n a_{ij} x_i x_j (a_{ij} = a_{ji}) f = ∑ i , j = 1 n ​ a ij ​ x i ​ x j ​   ( a ij ​ = a ji ​ ) ,总有正交变换 x = P y boldsymbol{x} = boldsymbol{P} boldsymbol{y} x = P y ,使 f f f 化为标准形 f = λ 1 y 1 2 + λ 2 y 2 2 + ⋯

    2024年02月09日
    浏览(43)
  • 特征值和特征向量的解析解法--带有重复特征值的矩阵

    当一个矩阵具有重复的特征值时,意味着存在多个线性无关的特征向量对应于相同的特征值。这种情况下,我们称矩阵具有重复特征值。 考虑一个n×n的矩阵A,假设它有一个重复的特征值λ,即λ是特征值方程det(A-λI) = 0的多重根。我们需要找到与特征值λ相关的特征向量。 首

    2024年02月05日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包