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 ∣ \lambda_1 \lambda_2 \cdots \lambda_n = |\boldsymbol{A}| λ1λ2⋯λn=∣A∣。
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)=∣A−λE∣= a11−λa21⋮an1a12a22−λ⋮an2⋯⋯⋯a1na2n⋮ann−λ =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 的 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)=(λ1−λ)(λ2−λ)⋯(λn−λ)(2)
根据韦达定理可知,上式 ( 2 ) (2) (2) 中 λ 0 \lambda^0 λ0 的系数 k 0 = λ 1 λ 2 ⋯ λ n k_0 = \lambda_1 \lambda_2 \cdots \lambda_n k0=λ1λ2⋯λn。将 λ \lambda λ 代入特征多项式 f ( λ ) f(\lambda) f(λ) 得 k 0 = ∣ A ∣ k_0 = |\boldsymbol{A}| k0=∣A∣。文章来源:https://www.toymoban.com/news/detail-713866.html
综上所述,有
λ 1 λ 2 ⋯ λ n = k 0 = ∣ A ∣ \lambda_1 \lambda_2 \cdots \lambda_n = k_0 = |\boldsymbol{A}| λ1λ2⋯λn=k0=∣A∣
得证。文章来源地址https://www.toymoban.com/news/detail-713866.html
到了这里,关于线性代数|证明:矩阵特征值之积等于矩阵行列式的值的文章就介绍完了。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!