线性代数(四) 特征值&相似矩阵

这篇具有很好参考价值的文章主要介绍了线性代数(四) 特征值&相似矩阵。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。

前言

前面主要讲述的是方程组和矩阵的关系,现在了解下矩阵和矩阵的关系

方阵的特征值与特征向量

假设A为n阶方阵,对于一个数 λ \lambda λ

若存在:非零列向量 α \alpha α,使得: A α ⃗ = λ α ⃗ A\vec{\alpha}=\lambda\vec{\alpha} Aα =λα

  • λ \lambda λ叫做矩阵A的一个特征值

  • α ⃗ \vec{\alpha} α 叫做对应特征值的特征向量

线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

  • 由于 α ⃗ \vec\alpha α 是非零列向量
  • λ \lambda λ作为未知量, A − λ E = 0 A-\lambda E = 0 AλE=0
  • 因为存在 λ \lambda λ解 => ∣ A − λ E ∣ = 0 |A-\lambda E| = 0 AλE=0

求解特征方程

给一个n阶矩阵A写出特征矩阵
( 4 − 2 1 1 ) − ( λ 0 0 λ ) = ( 4 − λ − 2 1 1 − λ ) \begin{pmatrix} 4 & -2\\ 1 & 1\end{pmatrix} - \begin{pmatrix} \lambda & 0\\ 0 & \lambda\end{pmatrix} = \begin{pmatrix} 4- \lambda & -2\\ 1 & 1-\lambda\end{pmatrix} (4121)(λ00λ)=(4λ121λ)
将特征矩阵转为特征行列式
∣ 4 − λ − 2 1 1 − λ ∣ = − ∣ 1 1 − λ 4 − λ − 2 ∣ = − ∣ 1 1 − λ 0 − 2 − ( 1 − λ ) ∗ ( 4 − λ ) ∣ = 0 \begin{vmatrix} 4- \lambda & -2\\ 1 & 1-\lambda\end{vmatrix} = -\begin{vmatrix} 1 & 1-\lambda\\ 4- \lambda& - 2\end{vmatrix} =-\begin{vmatrix} 1 & 1-\lambda\\ 0 & -2-(1-\lambda) *(4- \lambda) \end{vmatrix} = 0 4λ121λ = 14λ1λ2 = 101λ2(1λ)(4λ) =0
求出根
λ 2 − 5 λ + 6 = 0 ⟹ λ 1 = 2 , λ 2 = 3 \lambda^2-5\lambda + 6 =0 \Longrightarrow \lambda_1=2 ,\lambda_2=3 λ25λ+6=0λ1=2,λ2=3
求解特征值对应的特征向量

  • λ 1 = 2 , λ 2 = 3 \lambda_1=2 ,\lambda_2=3 λ1=2,λ2=3 代入 ( A − λ E ) α ⃗ = 0 (A-\lambda E)\vec{\alpha} = 0 AλEα =0
  • 线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数
  • 线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

基本性质
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

  • 特征值和特征向量,就是类似于 给“坐标” 求他的坐标系的问题。
  • 特征值 λ \lambda λ用于消除“坐标”某一维度,得到 特征向量为这一维度的 “坐标系”
  • 如果出现了 λ \lambda λN重根,则得到的特征向量 “坐标系” 包含N个维度
证明不同特征值对应的特征向量是线性无关的

线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

方阵的迹

线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

  • 方阵的行列式=方阵的全部特征值之积
  • 方阵主对角线元素之和=方阵的全部特征值之和

证明:特征值之和等于迹,特征值之积等于行列式

相似矩阵

线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数
相似矩阵的定义,可以用坐标系变换的视角来理解

  1. 需要把:A和B看做是两个变换
  2. 那么 A = P − 1 B P A=P^{-1}BP A=P1BP具体是指:
    • A是P坐标系下的一个<变换>
    • 该<变换>若在标准坐标系下观察则是B变换

例如:在标准坐标系下有一个伸缩变换为B,在P坐标系下相同的伸缩变换观察到的是A
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

若A和B相似,因观察的视角不同,但本质是相同的变换

相似矩阵的性质

若A和B相似,即 A ∽ B B ∽ A A \backsim B \quad B \backsim A ABBA

  1. 相似矩阵的行列式值相同
  2. 相似矩阵的特征值相同
  3. 相似矩阵的秩相同
  4. 相似矩阵的迹相同
  5. 相似矩阵的可逆性相同

二次型

线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数
如果存在可逆的线性变换
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数
x = P y x=Py x=Py线性变换代入原来的二次型得
f = λ 1 y 1 2 + λ 2 y 2 2 + . . . + λ n y n 2 f= \lambda_1y_1^2 + \lambda_2y_2^2+...+\lambda_ny_n^2 f=λ1y12+λ2y22+...+λnyn2

即将这种只含平方项(不含交叉项)的二次型称为标准形式的二次型,简称标准型

  • 充分必要条件是存在n阶可逆矩阵 P P P
  • 其中 λ 1 , λ 2 , . . . λ n \lambda_1,\lambda_2,...\lambda_n λ1,λ2,...λn 恰为 A A A全部特征值。
  • 任何二次型必可经过可逆线性变换化为标准型
  • 任何对称矩阵必可合同于对角矩阵

另外可以根据二次型不同条件进行分类
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

二次型的规范型

初等矩阵作合同因子 P P P所进行的合同变换称为初等合同变换.任何合同变换必可经过有限多次初等合同变换实现对角矩阵后.还可进一步用实数域上的合同变换,将正数化为1,复数化为-1,并可调整位置使得矩阵最终化为如下形式
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数
任何实二次型 f f f 必可经过实数域上的可逆线性变换化为规范型,且实规范型是唯一的。
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

看一个具体案例求解规范型
线性代数(四) 特征值&相似矩阵,# 数学基础,线性代数

主要参考

《11.3 求解特征值和特征向量(基础解系法)》
《11.4 特征值与特征向量的性质》
《11.5特征值与矩阵的迹》
《1.6 特征根的代数重数与几何重数》
《11.7 相似矩阵到底在说什么》
《证明:特征值之和等于迹,特征值之积等于行列式》
《浅谈矩阵的相似对角化》
《线性代数——二次型与对称矩阵》
《二次型及其它标准型》文章来源地址https://www.toymoban.com/news/detail-653723.html

到了这里,关于线性代数(四) 特征值&相似矩阵的文章就介绍完了。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

  • 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)
  • 【线性代数】矩阵特征值的快速求法

    本文讨论 3阶矩阵 的特征值的快速求法。 分为速写特征多项式和速解方程两部分。 速写特征多项式 不妨令: A = [ a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 ] boldsymbol{A}=left[begin{array}{lll} a_{11} a_{12} a_{13} \\\\ a_{21} a_{22} a_{23} \\\\ a_{31} a_{32} a_{33} end{array}right] A = ​ a 11 ​ a 21 ​ a 31 ​

    2024年02月03日
    浏览(44)
  • 线性代数|证明:矩阵特征值之积等于矩阵行列式的值

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 λ 2 ⋯ λ n = ∣ A ∣ lambda_1 lambda_2 cdots lambda_n = |boldsymbol{A}| λ 1 ​ λ 2 ​ ⋯ λ n ​ = ∣ A ∣ 。 证明 不妨设

    2024年02月08日
    浏览(49)
  • 线性代数|证明:矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,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} λ 1 ​ + λ 2 ​

    2024年02月08日
    浏览(47)
  • 线性代数的学习和整理19,特征值,特征向量,以及引入的正交化矩阵概念

    目录 1 什么是特征值和特征向量? 1.1 特征值和特征向量这2个概念先放后 1.2 直观定义 1.3 严格定义 2 如何求特征值和特征向量 2.1 方法1:结合图形看,直观方法求 2.1.1 单位矩阵的特征值和特征向量 2.1.2 旋转矩阵 2.2  根据严格定义的公式 A*X=λ*X 来求 2.3  特征方程 2.4 互异特

    2024年02月09日
    浏览(66)
  • 线性代数——特征值和特征向量

    学习高等数学和线性代数需要的初等数学知识 线性代数——行列式 线性代数——矩阵 线性代数——向量 线性代数——线性方程组 线性代数——特征值和特征向量 线性代数——二次型 本文大部分内容皆来自李永乐老师考研教材和视频课。 设 A = [ a i j ] A=[a_{ij}] A = [ a ij ​

    2024年02月15日
    浏览(45)
  • 线性代数 --- 特征值与特征向量

    Part I:特征值,特征向量的意义与性质         已知任意向量x,现有矩阵A对x进行操作后,得到新的向量Ax。这就好比是自变量x与函数f(x)的关系一样,向量x通过类似“函数”的处理得到了一个新的向量Ax。这个新的向量可能和原向量x方向相同,也可能不同(事实上大多都不同

    2024年03月10日
    浏览(50)
  • 线性代数基础 | 特征值和特征向量

    一、特征值和特征向量的定义 A. 特征值的定义和性质 特征值(eigenvalue)是线性代数中一个重要的概念,用于描述线性变换对于某个向量的伸缩效应。在本文中,我们将深入讨论特征值的定义和性质。 首先,我们考虑一个线性变换(或者说一个方阵)A。对于一个非零向量v,

    2024年02月16日
    浏览(43)
  • 线性代数 --- 特征值与特征向量(下)

    Eigen Values Eigen Vectors Part III:如何求解特征向量与特征值 对于一般矩阵A,如何找到他的特征值与特征向量? Step I: Find λ first! 首先,我们有方程: 但这里有两个未知数,因此我们把上面的方程改写一下:         这个齐次方程的解就是矩阵(A-I)的零空间,抛开平凡解全0向

    2024年03月14日
    浏览(49)
  • 线性代数学习之特征值与特征向量

    在上一次线性代数学习之行列式学习了行列式相关的一些概念,其中也多次提到学好行列式是为了学习“特征值和特征向量”的基础,所以此次就正式进入这块内容的学习,也是线性代数中非常重要的概念,因为它又是线性代数其它重要概念的基石比如矩阵的相似性等等,当

    2024年02月11日
    浏览(55)

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