【线性代数】矩阵特征值的快速求法

这篇具有很好参考价值的文章主要介绍了【线性代数】矩阵特征值的快速求法。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。

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= a11a21a31a12a22a32a13a23a33
其特征多项式为:
∣ λ E − A ∣ = ∣ λ − a 11 − a 12 − a 13 − a 21 λ − a 22 − a 23 − a 31 − a 32 λ − a 33 ∣ |\lambda \boldsymbol{E}-\boldsymbol{A}|=\left|\begin{array}{ccc} \lambda-a_{11} & -a_{12} & -a_{13} \\ -a_{21} & \lambda-a_{22} & -a_{23} \\ -a_{31} & -a_{32} & \lambda-a_{33} \end{array}\right| λEA= λa11a21a31a12λa22a32a13a23λa33
直接展开可得:
∣ λ E − A ∣ = λ 3 − ( a 11 + a 22 + a 33 ) λ 2 + k λ − ∣ A ∣ |\lambda \boldsymbol{E}-\boldsymbol{A}|=\lambda^3-(a_{11}+a_{22}+a_{33})\lambda^2+k\lambda-|A| λEA=λ3(a11+a22+a33)λ2+A
即:
∣ λ E − A ∣ = λ 3 − t r ( A ) ⋅ λ 2 + k λ − ∣ A ∣ |\lambda \boldsymbol{E}-\boldsymbol{A}|=\lambda^3-tr(A)\cdot\lambda^2+k\lambda-|A| λEA=λ3tr(A)λ2+A
此处的:
k = ( a 11 a 22 + a 11 a 33 + a 22 a 33 ) − ( a 12 a 21 + a 13 a 31 + a 32 a 23 ) k=(a_{11}a_{22}+a_{11}a_{33}+a_{22}a_{33})-(a_{12}a_{21}+a_{13}a_{31}+a_{32}a_{23}) k=(a11a22+a11a33+a22a33)(a12a21+a13a31+a32a23)
即:主对角错乘 − - 对称位置相乘

例1

求下列矩阵的特征多项式
A = [ 2 − 2 0 − 2 1 − 2 0 − 2 0 ] \boldsymbol{A}=\left[\begin{array}{ccc} 2 & -2 & 0 \\ -2 & 1 & -2 \\ 0 & -2 & 0 \end{array}\right] A= 220212020
[解析]:显然 ∣ A ∣ = 8 , t r ( A ) = 2 + 1 + 0 = 3 |A|=8,tr(A)=2+1+0=3 A=8,tr(A)=2+1+0=3

注意 k = ( 2 × 1 + 0 + 0 ) − [ ( − 2 × ( − 2 ) + 0 + ( − 2 ) × ( − 2 ) ) ] = 2 − 8 = − 6 k=(2\times 1+0+0)-[(-2\times (-2)+0+(-2)\times (-2))]=2-8=-6 k=(2×1+0+0)[(2×(2)+0+(2)×(2))]=28=6

因此特征多项式为: ∣ λ E − A ∣ = λ 3 − 3 λ 2 − 6 λ − 8 |\lambda \boldsymbol{E}-\boldsymbol{A}|=\lambda^3-3\lambda^2-6\lambda-8 λEA=λ33λ26λ8

速求方程

  • 猜根法

对于三次方程,第一步都需要猜根法,即若 f ( λ ) f(\lambda) f(λ)满足 f ( λ 0 ) = 0 f(\lambda_0)=0 f(λ0)=0,则有因式 ( λ − λ 0 ) (\lambda-\lambda_0) (λλ0)

其次,三次方程韦达定理,即:

a x 3 + b x 2 + c x + d = 0 ( a ≠ 0 ) ax^3+bx^2+cx+d=0(a\neq0) ax3+bx2+cx+d=0(a=0)的三个根满足:
x 1 x 2 x 3 = − d a x_1x_2x_3=-\frac{d}{a} x1x2x3=ad
对于我们计算的:
∣ λ E − A ∣ = λ 3 − t r ( A ) ⋅ λ 2 + k λ − ∣ A ∣ |\lambda \boldsymbol{E}-\boldsymbol{A}|=\lambda^3-tr(A)\cdot\lambda^2+k\lambda-|A| λEA=λ3tr(A)λ2+A
显然可知:
λ 1 λ 2 λ 3 = ∣ A ∣ \lambda_1\lambda_2\lambda_3=|A| λ1λ2λ3=A
因此猜所有 ∣ A ∣ |A| A的因子即可

  • 速写二次因式
例2

求: f ( x ) = x 3 − 6 x 2 + 3 x + 2 = 0 f(x)=x^3-6x^2+3x+2=0 f(x)=x36x2+3x+2=0的解

[解析]:注意到 f ( 1 ) = 0 f(1)=0 f(1)=0

分解为: ( x − 1 ) ( 二次因式 ) (x-1)(二次因式) (x1)(二次因式)

二次因式如何确定?其实很简单。

注意到:三次项系数为 1 1 1,因此二次因式的二次项一定为 x 2 x^2 x2

注意到:常数项为 2 2 2,因此二次因式的常数项一定为 − 2 -2 2,因为这样才有 ( − 2 ) × ( − 1 ) = 2 (-2)\times(-1)=2 (2)×(1)=2

此时已经是: x 3 − 6 x 2 + 3 x + 2 = ( x − 1 ) ( x 2 + b x − 2 ) x^3-6x^2+3x+2=(x-1)(x^2+bx-2) x36x2+3x+2=(x1)(x2+bx2)

那么如何确定一次项呢?其实很简单,有两种思路:

不要展开,只看结果的二次项,是 − 6 x 2 -6x^2 6x2,所以 b x 2 − x 2 = − 6 x 2 bx^2-x^2=-6x^2 bx2x2=6x2

那么 b = − 5 b=-5 b=5,所以分解为: x 3 − 6 x 2 + 3 x + 2 = ( x − 1 ) ( x 2 − 5 x − 2 ) x^3-6x^2+3x+2=(x-1)(x^2-5x-2) x36x2+3x+2=(x1)(x25x2)

也可以只看结果的一次项,是 3 x 3x 3x,所以: ( − 1 ) × ( b x ) − 2 x = 3 (-1)\times (bx)-2x=3 (1)×(bx)2x=3

依然得出: b = − 5 b=-5 b=5

看到某考研老师还在用多项式除法计算这个方程的解,实在太过复杂。

之前笔者做高中数学的培训,跟高中学生讲解三次方程的求法就是采用上述方法,不知道为什么很多书还在使用多项式除法。

综合应用

步骤如下:

[step1]:迅速求出 ∣ A ∣ , k , t r ( A ) |A|,k,tr(A) A,k,tr(A)速写特征多项式

[step2]:猜根分解因式

例3

虽然本例比较特殊,上三角行列式的特征值就是主对角线元素,但还是可以作为练习。

求下列矩阵的特征值:
A = [ 1 1 1 0 2 2 0 0 3 ] \boldsymbol{A}=\left[\begin{array}{lll} 1 & 1 & 1 \\ 0 & 2 & 2 \\ 0 & 0 & 3 \end{array}\right] A= 100120123
[解答]:显然 t r ( A ) = 6 , ∣ A ∣ = 6 , k = ( 2 + 3 + 6 ) − 0 = 11 tr(A)=6,|A|=6,k=(2+3+6)-0=11 tr(A)=6A=6,k=(2+3+6)0=11

因此特征多项式为: f ( λ ) = λ 3 − 6 λ 2 + 11 λ − 6 f(\lambda)=\lambda^3-6\lambda^2+11\lambda-6 f(λ)=λ36λ2+11λ6

观察得 λ = 1 \lambda=1 λ=1是根, f ( λ ) = λ 3 − 6 λ 2 + 11 λ − 6 = ( λ − 1 ) ( λ 2 + b λ + 6 ) f(\lambda)=\lambda^3-6\lambda^2+11\lambda-6=(\lambda-1)(\lambda^2+b\lambda+6) f(λ)=λ36λ2+11λ6=(λ1)(λ2++6)

观察结果的二次项系数 − λ 2 + b λ 2 = − 6 -\lambda^2+b\lambda^2=-6 λ2+bλ2=6

因此 b = − 5 b=-5 b=5

分解为:
$$
\begin{aligned}
f(\lambda)=\lambda3-6\lambda2+11\lambda-6&=(\lambda-1)(\lambda^2-5\lambda+6)\
&=(\lambda-1)(\lambda-2)(\lambda-3)

\end{aligned}
$$
因此特征值为: λ = 1 , 2 , 3 \lambda=1,2,3 λ=1,2,3文章来源地址https://www.toymoban.com/news/detail-773931.html

到了这里,关于【线性代数】矩阵特征值的快速求法的文章就介绍完了。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(五) | 矩阵对角化 特征值 特征向量

    矩阵实际上是一种变换,是一种旋转伸缩变换(方阵) 不是方阵的话还有可能是一种升维和降维的变换 直观理解可以看系列超赞视频线性代数-哔哩哔哩_Bilibili 比如A= ( 1 2 2 1 ) begin{pmatrix}12\\\\21end{pmatrix} ( 1 2 ​ 2 1 ​ ) x= ( 1 2 ) begin{pmatrix}1\\\\2end{pmatrix} ( 1 2 ​ ) 我们给x左乘A实际

    2024年02月04日
    浏览(64)
  • 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|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